知识结构整理
给出企业数据库表结构、数据字典或本地文件目录,产出本体模型文件或知识图谱文件与扫描评审报告。
功能与用途
同一套业务概念在几个系统里叫法各不一样,或者电脑里攒了十几年的文档谁也说不清有什么关系,靠人一句句对不上。这个能力用脚本做机械提取(扫目录、转格式、解析表格),由 AI 负责语义判断(认实体、挑属性、找关系、跨来源合并),最终把现有数据里隐含的业务模型显式写出来。整个过程不联网、不传外部 API,只有用户确认过的文件夹才会被读取。
适用场景
- 跨系统数据概念对齐:面对多个异构业务系统中命名不一致的字段与表结构,扫描 SQL DDL 与数据字典,自动合并同义实体并梳理关联,输出统一业务本体模型。
- 海量本地文件建图:针对本地存有大量 Office、PDF 文档的目录,按优先级扫描并提取实体与领域层级,无需人工逐篇阅读,自动化生成结构清晰的知识图谱。
- 智能体事实底座搭建:为降低企业级 Agent 的幻觉率,全面梳理底层业务库表与知识文档,将其转化为实体关系图谱,作为模型问答调用前的前置事实校验源。
适用人群
- 做数据治理的企业架构师
- 为 Agent 产品搭建事实底座的 AI 工程师
- 做客户数据资产盘点的数据咨询顾问
使用步骤
- 明确走哪条路:从数据库表结构抽本体,还是扫本地目录建个人知识图谱,还是扫客户/合作方的数据空间。
- 先跑扫描脚本,拿到目录或文件的优先级清单,不要跳过确认环节。
- 逐个文件夹标记重点、普通或忽略,确认后 AI 才开始真正读取内容。
- 等 AI 完成语义分析并做跨来源实体合并,得到本体文件或图谱文件。
- 打开配套的评审报告,按上面标出的疑点逐条核对命名和关系。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 知识
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 专业
- 版本
- 1.1.1
- 最近更新
- 2026-05-11
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Extract candidate ontology models from enterprise business systems AND build/maintain personal knowledge graphs from any file system. Use when: ontology extr...
使用前准备
- 本机需有 python3,并安装 python-docx、PyMuPDF、openpyxl、xlrd、python-pptx、Pillow、pyyaml
- 处理 .doc 还需要 libreoffice 或 Word。不需要外部 API Key 或联网。
依赖与权限
- 读取用户主动提供的内容