语义意图发现

概述

语义意图发现使 LLM 智能体能够通过自然语言意图查找技能，无需知道确切的意图字符串。这打破了 O(1) 查询承诺 — 智能体现在可以发现如何查询本体。

解决方案： 约定 (C) + 模式摘要 (A) + 语义发现

组件	目的
约定	可预测的命名（意图用 verb_noun，属性用 camelCase）
模式摘要	MCP 资源 ontology://schema — 2KB 紧凑模式
search_intents	MCP 工具 — 通过嵌入进行语义匹配

---

架构

┌─────────────────────────────────────────────────────────────────┐
│                     编译时 (Python)                              │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  ontoskills export-embeddings                                   │
│       │                                                          │
│       ├──► ontoskill.ttl (现有)                                 │
│       │                                                          │
│       └──► ontoskills/system/embeddings/                        │
│                ├── model.onnx          # 导出的模型 (~45MB)     │
│                ├── tokenizer.json      # HuggingFace 分词器     │
│                └── intents.json         # 预计算的嵌入          │
│                                                                  │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│                      运行时 (Rust MCP)                           │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  资源:                                                           │
│    ontology://schema → JSON 模式（类、属性）                     │
│                                                                  │
│  工具:                                                           │
│    search_intents(query: str, top_k: int) → Vec<IntentMatch>   │
│       │                                                          │
│       ├── 1. 加载 tokenizer.json                                │
│       ├── 2. 分词查询 → input_ids, attention_mask              │
│       ├── 3. ONNX 推理 → 嵌入 (384 维)                          │
│       ├── 4. 余弦相似度 vs intents.json                         │
│       └── 5. 返回 top_k 匹配                                    │
│                                                                  │
└─────────────────────────────────────────────────────────────────┘

---

使用

导出嵌入

ontoskills export-embeddings --ontology-root ./ontoskills

这会创建 ontoskills/system/embeddings/，包含：

• model.onnx - ONNX 嵌入模型 (~45MB)
• tokenizer.json - HuggingFace 分词器
• intents.json - 预计算的意图嵌入

MCP 工具：search_intents

导出嵌入后，MCP 服务器提供：

{
  "name": "search_intents",
  "arguments": {
    "query": "create a pdf document",
    "top_k": 5
  }
}

返回带相似度分数的匹配意图：

{
  "query": "create a pdf document",
  "matches": [
    {"intent": "create_pdf", "score": 0.92, "skills": ["pdf"]},
    {"intent": "export_document", "score": 0.78, "skills": ["pdf", "document-export"]}
  ]
}

MCP 资源：ontology://schema

描述可用类和属性的紧凑 JSON 模式：

{
  "version": "0.1.0",
  "base_uri": "https://ontoskills.sh/ontology#",
  "prefix": "oc",
  "classes": { ... },
  "properties": { ... },
  "example_queries": [ ... ]
}

---

智能体工作流

1. 智能体启动 → 读取 ontology://schema (2KB)
   → 知道所有属性和约定

2. 用户："我需要创建一个 PDF"
   → 智能体调用：search_intents("create a pdf", top_k: 3)
   → 返回：[{intent: "create_pdf", score: 0.92, skills: ["pdf"]}]

3. 智能体现在知道 intent = "create_pdf"
   → 智能体查询：SELECT ?skill WHERE { ?skill oc:resolvesIntent "create_pdf" }
   → 返回：oc:pdf

4. 智能体调用：get_skill_context("pdf")
   → 返回：完整的技能上下文，包含负载、依赖项和知识节点

---

性能目标

指标	目标	验证
模式资源大小	< 4KB	test_schema_size
search_intents 延迟	< 50ms	手动基准测试
ONNX 模型大小	< 50MB	检查文件大小
内存占用	< 100MB	使用 top 监控

---

文件结构

ontoskills/
└── system/
    └── embeddings/
        ├── model.onnx           # ~45MB
        ├── tokenizer.json       # ~500KB
        ├── tokenizer_config.json
        ├── special_tokens_map.json
        └── intents.json         # 可变

core/
├── embeddings/
│   ├── __init__.py
│   └── exporter.py              # Python 导出脚本

mcp/
├── src/
│   ├── embeddings.rs            # Rust 嵌入引擎
│   ├── schema.rs                # 模式资源
│   └── main.rs                  # MCP 工具处理器