Agentic Practice

同一本书，为什么既可借又已借出？从五个图书馆问题出发，理解本体工程如何区分业务对象、组织知识图谱，并为企业 AI 提供可靠的查询与抽取基础，看清 OWL、SHACL 与 LLM 各自的职责。

从白板实验、持续集成与生产反馈出发，分析经验丰富的开发者为何谨慎交出编码执行权，以及工程判断如何进入智能体的验证机制。

本文从 OWL、VOWL 与 OWL2VOWL 的职责边界出发，结合 WebVOWL 1.1.7 源码、Docker 搭建和真实浏览器实践，拆解 VOWL JSON 如何变成可交互的本体图，并说明过滤、导出、部署和语义验证之间的边界。

LangChain 如何构建设计智能体 Content Studio？本文解析 AI Agent 的设计判断、Agent Skills、Harness、沙箱、子代理协作与反馈记忆，并梳理其公开数据的适用边界。

通过项目管理案例，说明如何用本体定义业务语义，将 RDF 实例交给 SPARQL 查询，或把明确的查询计划映射为受控 SQL；并演示日期口径、数据快照、歧义澄清与回归验证如何支撑可追溯的数据查询。

结合 LinkML 生成的项目管理 OWL 本体，演示如何用 WebVOWL 阅读中文类与关系、核对 Participation 参与记录，并回查 Turtle 中的基数、数值范围和映射公理，形成可追踪的人工审查记录。

以七张 PostgreSQL 业务表为例，详解 LinkML 与 OWL 本体建模实践：结合 DDL、样本数据和业务规则，用 LLM 辅助整理 LinkML Schema，再通过 gen-owl 生成 OWL 本体。包含完整 YAML、提示词和验证命令，讲清模型生成、实例转换与数据校验的区别。

动态工作流让 Lead 生成受限计划，再由代码检查、预演、审批和执行。本文结合代码审计实验分析其架构、成本与适用边界。

Foundry IQ 找到了 PCI 规则，却没列出任何服务。从这道错题看多轮检索能补什么，以及哪些步骤需要查询和程序。

比较 Chain、Graph 与 Code 三种 Agent 执行抽象，分析它们在控制流、状态恢复与验证反馈上的差异，并讨论按失败模式选择和组合架构的方法。