让长任务与多 Agent 始终对齐同一口径

为 AI Agent 提供语义识别、跨 Agent 本体传递与长任务防漂移，并把任务中沉淀的新口径回传治理层审批升格。

查看 GitHub 仓库 看核心能力
runtime layer
返利结算场景：同名不同义隔离
scope isolated task:T123
术语与来源作用域注入模型的确定口径
净收入（g:auto） gov:auto 营业收入减营业成本（公司级默认）
净收入（叠加包） task:T123 扣退款后收入（仅本次任务有效，不覆盖公司库）
返利基数（g:ext） ext:rebate 供应商按开票额算；任务排他规则优先按净收入算
开票额列（SQL 反查） billed_amount 自动带出所属术语与完整连接，pending 草稿拦截
语义识别
提问 + SQL 列名反查 + 歧义澄清
长任务防漂移
叠加包冻结本轮口径，不串任务
完整术语包
定义 + 字段 + SQL + 必要 join

基于仓库双 Agent 接力 E2E（docs/design/e2e-two-agent-acceptance.md）构建，覆盖语义识别、任务防漂移、指针交接与回流治理。

四个核心产品能力

原始表结构不解释业务口径，多轮长任务会丢失定义。OntoAgent 把“识别、防漂移、传递、回流治理”做成运行时标准能力。

1. 语义识别、SQL 反查与歧义澄清

根据任务提问与 Agent 生成的 SQL 列名自动识别关联概念，把业务定义、同义词、物理字段和跨表 join 打包送进上下文。命中多个相近概念时先发起澄清选择（Clarify-First），避免模型靠猜写错指标。

ontology_prepare(task) / describeSqlTerms(sql)
  -> 识别概念 + 反向查表字段 + 歧义先澄清
  -> 按完整术语包与预算裁切，绝不注入半截公式

2. 消除长任务与多轮漂移

在长任务中用叠加包（Overlay）当场锁定用户确认的新口径（task / session 作用域），与公司总库和外部规则隔离并存，既不卡死任务、也不让临时口径污染后续无关任务。

3. 跨 Agent 精准传递本体

多 Agent 协作不再靠长文本反复复述规则。上游 Agent 通过基线摘要、指针集与任务承诺清单向下一跳交接；接收方版本落后或基线漂移时自动阻塞核对，保证多主体口径一致。

4. 生成本体回传治理层升格

任务执行中沉淀的新术语、字段映射和例外规则，不会消失在对话里：先按主语聚合成待审提案（gov:pending）移交治理层，审批签发后升格为公司级资产，并可按 SKOS / SHACL / PROV 导出回流上游治理平台。

任务运行与治理的完整闭环

上游语义编译与运行时任务执行不再割裂：企业已有本体直达任务现场，任务沉淀的新口径安全回流治理。

  1. 识别与切片

    从 Auto-Ontology 镜像、外部标准本体与当前提问识别候选术语；遇歧义先澄清，按预算编成完整 Packet。

    Ground & Clarify

  2. 叠加与防漂移

    任务现场确认的新口径写入任务叠加包，与公司级、外部级按作用域隔离，同名不同义不覆盖、不静默泄漏。

    Overlay Isolation

  3. 跨主体传递

    上游 Agent 把基线校验摘要、术语指针与任务承诺交接给下游 Agent，基线漂移自动拦截并回溯核对。

    Cross-Agent Handoff

  4. 回流治理升格

    任务级新口径聚合为待审提案移交治理；人工签发后升格公司级资产，并导出 SKOS / SHACL / PROV 回传上游。

    Promote & Export

与传统 RAG、无治理自演化层的区别

既要像 EvoOntology 一样让本体跟上真实任务，也要像 Auto-Ontology 一样守住企业口径的一致与可审计。

方案路线 语义识别与上下文 长任务与多 Agent 传递 新本体如何进治理
全量 Schema / RAG 只做相似度片段拼接，常丢失 SQL 公式与跨表连接 靠长对话历史转述，多轮后极易遗漏或漂移 任务中确认的口径直接丢失，每次任务从头问起
无治理自演化本体 从执行轨迹自动改写本体层，按需查表检索 共享同一演化图，但临时调整会直接影响其他任务 缺乏任务域与公司域隔离，临时口径易直接污染正式库
OntoAgent 当前方案 完整术语包 + SQL 列名反查 + 歧义先行澄清 任务叠加包防漂移 + 指针差集交接与基线漂移阻塞 任务沉淀先入 pending 提案，审批后升格并支持标准导出

真实模型与端到端实测

每行标明实际评测集、对照臂与仓库报告路径，不混用不同口径。

OAR-Bench（k=3）
reports/oar-live-2026-11-13-k3.json
抽取 P/R/F1 100%，问答准确率 95%（19/20），复现 Jaccard 1.0，不可答召回 100%，越界率 0%。
Auto Packet vs 无上下文
reports/auto-context-eval-2026-11-09.md
12 次调用对比：带完整术语包 12/12（100%）对 无上下文 3/12（25%，正例 0/9）。
Clarify-v1 歧义澄清三臂评测
reports/auto-answer-clarify-eval-2026-11-12-k3-v2.md
63 次调用：澄清先行 95.24%（60/63）对 直接注入 90.48%（57/63）对 无上下文 71.4% 语义（0% 治理）。
双 Agent 接力与升格 E2E
tools/e2e-two-agent.ts / tools/acceptance.ts
作用域隔离、交接进上下文、基线漂移阻塞、升格三图与标准导出 14/14 全绿，验收阈值 6/6 达线。

诚实边界：以上模型评测基于 deepseek-v4.1-flash 与 WWI 样例库 / 合成夹具（smoke 级样本）；依产品章程，统计级企业语料评测完成前不宣称生产扩张。

接入任意 Agent 运行时

支持以 MCP Server 挂载进 pi、Claude Code、Codex，或作为 DSH 插件接入企业宿主，可与 NVIDIA Auto-Ontology 对接。

  1. 同步上游本体快照

    对接 Auto-Ontology 拉取认证术语，或导入外部 Turtle / JSON-LD 本体建立本地镜像。

    make auto-sync \
  STORE_DIR=/path/to/mirror

  2. 挂载 MCP Server

    一行配置接入 coding agent，提供检索、切片与任务上下文编译工具面。

    {
  "mcpServers": {
    "ontoagent": {
      "command": "node",
      "args": [
        "packages/ontoagent-mcp/lib/index.js"
      ],
      "env": {
        "ONTOAGENT_STORE_DIR": "/path/to/mirror"
      }
    }
  }
}

  3. 启用传递与升格闭环

    DSH 宿主插件自动完成 dispatch 注入、跨 Agent 指针交接与治理提案回传。

    make e2e-two-agent
make mcp STORE_DIR=/path/to/mirror
# tools: search / slice / prepare
3,534 WWI 真实镜像断言
51/51 WWI 已认证术语
549 TypeScript 测试全绿
14/14 双 Agent 接力 E2E 通过