前言¶
做内部业务系统的人常遇到一种情况：需求其实不复杂，合同管理、进销存、客户跟进，但写出来的代码要么结构随意，数据表建完才发现关联关系没设计好，要么前端录入界面、查询、接口各写一套，时间都花在重复劳动上。本体驱动应用构建器（ontology-app-builder）就是冲着这个问题来的：输入一段业务需求或需求文档，它先和你确认需求，再生成一套本体模型，最后产出一个自包含、可直接安装运行的领域技能。下面介绍它的定位、能力和使用方式。
这是什么¶
本体驱动应用构建器是一个社区出品的通用技能，坐标为 @user_81d33501/ontology-app-builder，当前版本 1.0.0，分类 dev-programming，发布者 user_81d33501，来源标记为 community。它解决的是「业务需求 → 领域应用」的转换问题：不是直接写代码，而是先把需求固化为本体模型，再由模型生成应用骨架。
触发词包括：构建本体应用、生成领域技能、需求转本体、ontology app builder、本体驱动建模。在支持 Skill 的客户端里说这些词或给出需求描述，就能启动它。
核心能力¶
该技能把整个流程拆成三阶段流水线，三个阶段依次执行：
1、需求探索。按九阶段结构化对话与你确认业务对象、业务规则、报表和角色，最后产出一份完整的需求规格文档（Markdown 格式）。这一步是人工确认的，不是自动跑完就出结果。
2、本体建模。在需求确认后生成十一模型的本体 YAML 和 JSON：M1 对象、M2 行为、M3 规则、M4 场景、M5 主体、M6 流程、M7 报表、ME 事件、MU 界面、MM 表映射、MI 接口。同时自动产出一个知识图谱 HTML，用 ECharts 内嵌，规模约 51 节点。
3、自包含技能生成。产出一个可以安装的领域技能，内置零依赖运行时引擎，能力包括：自动建 SQLite 库、REST API 录入和查询、独立 HTML 录入表单、对话式自然语言查询，以及外键 ID 转名称。
运行时没有第三方依赖，引擎只使用 Python 标准库和 SQLite。这一点决定了它适合个人和小团队场景：不需要装数据库、不需要配服务，生成的应用本体就是一个文件加一个数据库。
安装与启用¶
该技能采用通用 SKILL.md 格式，抓取官方页面时未能返回具体安装命令，因此这里不臆造命令。安装方式请以官方页面为准：
https://api.skillhub.cn/user_81d33501/ontology-app-builder
https://www.skillhub.cn/skills/user_81d33501/ontology-app-builder
通用做法是把 SKILL.md 放进客户端的 skills 目录，或在 Cursor、Codex CLI、Claude Code 的 Skill 配置中引用技能坐标。这几个客户端的目录路径和配置写法并不统一，官方资料里没有分别说明，此处不做分列。
启用后不需要 API Key，标签 requires_api_key=false。使用时直接给出业务需求描述或上传需求文档即可触发。
典型用法¶
按照官方简介，一次完整的构建流程是：
1、提出需求。例如「帮我构建一套合同管理系统」，或直接上传一份需求文档。
2、完成九阶段需求探索。技能会逐个阶段和你确认业务对象、规则、报表、角色，过程中需要人工回答和确认，产出需求规格文档。
3、查看本体产出。生成 M1~M7、ME、MU、MM、MI 十一模型的 YAML 和 JSON，并生成知识图谱 HTML，可以先核对模型是否符合预期。
4、安装生成的技能。确认无误后安装产出的领域技能，它会自己建好 SQLite 库，提供录入表单、REST API 和对话式查询。
官方列出的典型业务是合同管理、CRM、进销存等个人和小团队系统，这几个例子可以作为规模和复杂度的参照。
适用场景与注意¶
适合：需求边界相对清晰、数据量不大、不想搭服务端技术栈的个人或小团队；需要快速验证业务模型是否成立的开发者。
注意几点。第一，需求探索阶段需要人工参与，九阶段对话意味着不能指望一句话出成品，输入越完整，产出越准。第二，运行环境是 Python 标准库加 SQLite，单机存储，不适合多用户并发或需要服务端中间件的场景。第三，本体模型有固定十一模型的框架，如果业务里有大量非结构化、模型化困难的内容，这套框架未必顺手。
结尾¶
本体驱动应用构建器的价值在于把「需求 → 模型 → 应用」的链路打通：先用结构化对话把需求钉死，再用本体模型表达业务，最后产出零依赖、能直接跑的应用。对经常做小业务系统的开发者来说，它比每次从零写表结构和录入页要省事。官方地址：
https://api.skillhub.cn/user_81d33501/ontology-app-builder
截至抓取时，SkillHub 页面显示评分 100000，下载 909 次，安装数为 0。
