前言¶
做內部業務系統的人常遇到一種情況：需求其實不復雜，合同管理、進銷存、客戶跟進，但寫出來的代碼要麼結構隨意，數據表建完才發現關聯關係沒設計好，要麼前端錄入界面、查詢、接口各寫一套，時間都花在重複勞動上。本體驅動應用構建器（ontology-app-builder）就是衝着這個問題來的：輸入一段業務需求或需求文檔，它先和你確認需求，再生成一套本體模型，最後產出一個自包含、可直接安裝運行的領域技能。下面介紹它的定位、能力和使用方式。
這是什麼¶
本體驅動應用構建器是一個社區出品的通用技能，座標爲 @user_81d33501/ontology-app-builder，當前版本 1.0.0，分類 dev-programming，發佈者 user_81d33501，來源標記爲 community。它解決的是「業務需求 → 領域應用」的轉換問題：不是直接寫代碼，而是先把需求固化爲本體模型，再由模型生成應用骨架。
觸發詞包括：構建本體應用、生成領域技能、需求轉本體、ontology app builder、本體驅動建模。在支持 Skill 的客戶端裏說這些詞或給出需求描述，就能啓動它。
核心能力¶
該技能把整個流程拆成三階段流水線，三個階段依次執行：
1、需求探索。按九階段結構化對話與你確認業務對象、業務規則、報表和角色，最後產出一份完整的需求規格文檔（Markdown 格式）。這一步是人工確認的，不是自動跑完就出結果。
2、本體建模。在需求確認後生成十一模型的本體 YAML 和 JSON：M1 對象、M2 行爲、M3 規則、M4 場景、M5 主體、M6 流程、M7 報表、ME 事件、MU 界面、MM 表映射、MI 接口。同時自動產出一個知識圖譜 HTML，用 ECharts 內嵌，規模約 51 節點。
3、自包含技能生成。產出一個可以安裝的領域技能，內置零依賴運行時引擎，能力包括：自動建 SQLite 庫、REST API 錄入和查詢、獨立 HTML 錄入表單、對話式自然語言查詢，以及外鍵 ID 轉名稱。
運行時沒有第三方依賴，引擎只使用 Python 標準庫和 SQLite。這一點決定了它適合個人和小團隊場景：不需要裝數據庫、不需要配服務，生成的應用本體就是一個文件加一個數據庫。
安裝與啓用¶
該技能採用通用 SKILL.md 格式，抓取官方頁面時未能返回具體安裝命令，因此這裏不臆造命令。安裝方式請以官方頁面爲準：
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 放進客戶端的 skills 目錄，或在 Cursor、Codex CLI、Claude Code 的 Skill 配置中引用技能座標。這幾個客戶端的目錄路徑和配置寫法並不統一，官方資料裏沒有分別說明，此處不做分列。
啓用後不需要 API Key，標籤 requires_api_key=false。使用時直接給出業務需求描述或上傳需求文檔即可觸發。
典型用法¶
按照官方簡介，一次完整的構建流程是：
1、提出需求。例如「幫我構建一套合同管理系統」，或直接上傳一份需求文檔。
2、完成九階段需求探索。技能會逐個階段和你確認業務對象、規則、報表、角色，過程中需要人工回答和確認，產出需求規格文檔。
3、查看本體產出。生成 M1~M7、ME、MU、MM、MI 十一模型的 YAML 和 JSON，並生成知識圖譜 HTML，可以先覈對模型是否符合預期。
4、安裝生成的技能。確認無誤後安裝產出的領域技能，它會自己建好 SQLite 庫，提供錄入表單、REST API 和對話式查詢。
官方列出的典型業務是合同管理、CRM、進銷存等個人和小團隊系統，這幾個例子可以作爲規模和複雜度的參照。
適用場景與注意¶
適合：需求邊界相對清晰、數據量不大、不想搭服務端技術棧的個人或小團隊；需要快速驗證業務模型是否成立的開發者。
注意幾點。第一，需求探索階段需要人工參與，九階段對話意味着不能指望一句話出成品，輸入越完整，產出越準。第二，運行環境是 Python 標準庫加 SQLite，單機存儲，不適合多用戶併發或需要服務端中間件的場景。第三，本體模型有固定十一模型的框架，如果業務裏有大量非結構化、模型化困難的內容，這套框架未必順手。
結尾¶
本體驅動應用構建器的價值在於把「需求 → 模型 → 應用」的鏈路打通：先用結構化對話把需求釘死，再用本體模型表達業務，最後產出零依賴、能直接跑的應用。對經常做小業務系統的開發者來說，它比每次從零寫表結構和錄入頁要省事。官方地址：
https://api.skillhub.cn/user_81d33501/ontology-app-builder
截至抓取時，SkillHub 頁面顯示評分 100000，下載 909 次，安裝數爲 0。
