matthiasdebernardini/ontology-notes

Ontology Chat

Responde desde la base de conocimiento ontológica local, no desde la memoria.

Localizar la base de conocimiento

Resuelve scripts/ontology_kb.py relativo a este SKILL.md. La CLI localiza la raíz de la base de conocimiento en este orden:

1. --root PATH explícito
2. ONTOLOGY_KB_ROOT
3. ~/.config/ontology-chat/config.json
4. El directorio actual y sus padres
5. El directorio fuente de la habilidad y sus padres

Si falla la detección, explica cómo ejecutar scripts/install.py del repositorio o configurar ONTOLOGY_KB_ROOT. No respondas silenciosamente desde el conocimiento previo.

Comienza sesiones no familiares con:

python3 <skill-dir>/scripts/ontology_kb.py status --json

Elegir el modo de respuesta

Deduce el modo a partir de la pregunta:

• Explicar: define un concepto y conéctalo con estándares o proyectos concretos.
• Comparar: recupera evidencia para cada elemento comparado y detalla las diferencias dimensión por dimensión.
• Recomendar: deriva criterios de las notas, presenta ventajas y desventajas, y etiqueta la recomendación final como editorial.
• Cómo hacer: ensambla un flujo de trabajo fundamentado a partir de herramientas y formatos documentados.
• Patrones LLM: distingue implementaciones directas de LLM de menciones en catálogos, ML clásico, embeddings y uso genérico de grafos de conocimiento.
• Auditoría de fuentes: traza una afirmación desde la síntesis hasta las notas y, cuando esté disponible localmente, hasta el texto recuperado o la documentación del repositorio.
• Ruta de aprendizaje: ordena las lecturas desde conceptos fundamentales hasta herramientas y patrones avanzados.
• Explorar: muestra entradas, secciones, advertencias y preguntas de seguimiento relacionadas.

Flujo de trabajo de recuperación

1. Identifica cualquier proyecto, estándar, ontología o vocabulario nombrado explícitamente. Ejecuta primero sources <nombre> --json para que las entradas omitidas y las brechas de evidencia registradas sean visibles antes de una búsqueda más amplia. Si está omitida, comienza con esa limitación; las menciones indirectas en otras notas solo pueden resumirse como evidencia secundaria.
2. Convierte la pregunta restante en dos a cuatro consultas de búsqueda cortas y concretas. Incluye los nombres de los elementos comparados cuando se conozcan.
3. Ejecuta la recuperación para cada consulta:

python3 <skill-dir>/scripts/ontology_kb.py search "<consulta>" --limit 8 --json

Los filtros útiles son --section y --kind. 4. Fusiona los resultados y abre los cuatro a ocho mejores archivos notes/<slug>.md. No consideres fragmentos como evidencia suficiente. 5. Para comparaciones, asegúrate de que cada elemento nombrado tenga su propia nota. Usa show <slug> si la recuperación no lo encontró. 6. Lee SYNTHESIS.md solo para orientación y estructura entre fuentes. Verifica sus afirmaciones contra las notas citadas antes de repetirlas. 7. Para una afirmación disputada, sorprendente o de auditoría de fuentes, ejecuta sources <slug> --json. Si sources/<slug>.txt o repos/<slug>/ está presente, inspecciona el pasaje de la fuente relevante o el README/docs. Las instalaciones públicas pueden omitir estos artefactos de terceros; divulga esa limitación en lugar de improvisar. 8. Usa related <slug> --limit 8 --json solo después de identificar una nota ancla útil.

Reglas de fundamentación

• Basa las afirmaciones fácticas en las notas abiertas. Nunca llenes un vacío con conocimiento ontológico general.
• Cita cada párrafo o viñeta sustantivos con enlaces Markdown relativos al repositorio, como [OntoLearner](notes/ontolearner.md).
• Atribuye una afirmación específica a una fuente a esa fuente. Usa múltiples citas para conclusiones entre fuentes.
• Etiqueta explícitamente los consejos ensamblados a partir de evidencia como Recomendación o Síntesis editorial.
• Conserva las calificaciones, incluida la antigüedad de la versión, el estado archivado, la documentación incompleta, los límites de perfil, los límites de escalado y la evidencia solo de catálogo.
• No conviertas "una guía está listada" en evidencia del contenido de la guía.
• No llames "integración LLM" a los grafos de conocimiento ordinarios, embeddings, razonamiento simbólico o ML clásico.
• Si una entrada nombrada explícitamente está omitida, dilo al principio y cita o parafrasea su skip_reason registrado. No sustituyas menciones indirectas por una nota dedicada inexistente ni fabriques su contenido.
• Si la base de conocimiento no respalda la respuesta, dilo y nombra la evidencia faltante.

Forma de respuesta predeterminada

Usa la estructura más ligera que se ajuste:

1. Respuesta directa
2. Explicación o comparación respaldada por evidencia
3. Advertencias importantes
4. Opcional: siguiente pregunta o sugerencia de lectura

Evita volcar puntuaciones de recuperación o pasos de búsqueda internos a menos que el usuario solicite una auditoría. Prefiere un número reducido de citas sólidas sobre una bibliografía extensa.

Referencia CLI

ontology_kb.py search <consulta> [--limit N] [--section TEXTO] [--kind TIPO] [--json]
ontology_kb.py show <slug-o-nombre> [--json]
ontology_kb.py related <slug-o-nombre> [--limit N] [--json]
ontology_kb.py sources <slug-o-nombre> [--json]
ontology_kb.py status [--json]

Las opciones pueden aparecer antes o después del subcomando. La CLI es determinista, sin dependencias y no realiza solicitudes de red.