Ontology Playground的AI辅助开发实录这个项目如何与AI共同演进【免费下载链接】Ontology-PlaygroundFree, open-source web app for learning about ontologies and Microsoft Fabric IQ. Explore a catalogue of pre-built ontologies, design your own visually, export as RDF/XML, and share interactive diagrams. Zero backend, fully static.项目地址: https://gitcode.com/GitHub_Trending/on/Ontology-PlaygroundOntology Playground 是一款免费开源的本体Ontology学习与 Microsoft Fabric IQ 演练 Web 应用你可以在其中浏览预构建的本体目录、用可视化设计器亲手建模、导出 RDF/XML 并分享交互图。特别的是它本身就是一个AI 辅助开发的活样本——从第一行代码到课程内容的生成与审核项目与 AI 深度协作并沉淀出一套可复用的方法论。本文将带你完整复盘这个项目人机共建的全过程。小贴士注意截图右下角的小字——Built with GitHub Copilot这是项目对自己 AI 协作身份最诚实的标注 ☕AI 从第一行代码就开始参与项目是怎么起步的打开 README.md开头就有一行毫不掩饰的说明This project was developed with AI-assisted coding.这不是营销话术而是贯穿整个仓库的现实。为了让 AI 在后续迭代中接得住项目专门写了一份 AGENTS.md——面向 AI 编码助手的开发规范内容包括分支与提交约定功能分支feature/*、修复分支fix/*采用 Conventional Commitsfeat:/fix:/docs:等小步提交代码风格底线严格 TypeScript、禁用any、组件拆分与 Zustand 状态管理规范合并前检查清单本地跑通npm run dev、无类型错误、同步更新README.md与docs/文档常见任务 SOP比如新增导出格式的四步走、新增组件的三步走这份文档相当于给 AI 发了一份入职手册AI 不需要猜团队习惯照着做就不会跑偏。核心资产把怎么做沉淀成 4 个 AI 技能更进阶的做法在.github/skills/目录项目把重复性的 AI 任务封装成了 4 个技能Skill让 AI 每次执行时都能按标准流程走。技能目录解决什么问题本体目录导入.github/skills/ontology-catalog-import/把外部/客户给的.rdf/.owl文件转成本地目录结构RDF 文件 metadata.json 校验课程路径生成.github/skills/ontology-school-path-generator/从一个源本体自动产出 4~7 步渐进式课程含分步本体、嵌入图谱与测验题社区本体贡献.github/skills/community-ontology-contribution/按正确目录结构与元数据规范为社区贡献者建本体人名生成器.github/skills/name-generator/所有示例人名只能来自审批过的本地 CSV 夹具杜绝 AI 随意编造人名每个技能文件都遵循同一个结构目标 → 先读哪些文档 → 工作流步骤 → 验证命令 → 完成标准。例如课程生成技能明确要求先读 docs/authoring-guide.md、docs/learn-content-guide.md 等文档产出后必须跑通npm run qa:tutorial-content和npm run build才算完成。与之配套还有两个可复用提示词import-rdf-to-catalog.prompt.md 和 generate-ontology-school-module.prompt.md以及 RDF 导入规范说明 .github/instructions/rdf-intake.instructions.md。可借鉴点AI 协作不只是让 AI 写代码而是把你的领域知识固化成 AI 可执行的流程文档让它每次产出都稳定可控。人机共审AI 生成的内容如何过人工关AI 产出的课程内容不会直接上线。项目设计了一条完整的人工审核工作流详见 docs/ontology-school-review-workflow.md打标AI 生成的课程文章在 frontmatter 中加一行reviewStatus: under-human-review开 Issue通过 .github/ISSUE_TEMPLATE/ontology-school-review.yml 模板提交审核 Issue自动打上ontology-school-review标签人工批准审核者在 Issue 下评论#approved或手动加标签并关闭触发 .github/workflows/ontology-school-review-approval.yml 自动化自动收尾工作流移除审核标记、重新编译 public/learn.json并自动开一个 PR走正常合并流程这条AI 生产 → 人工把关 → 自动化收尾的流水线正是内容型项目使用 AI 的稳妥姿势效率交给 AI质量判断留给人。✅面向用户的那一面用自然语言直接说出本体AI 还直接走进了产品功能。在可视化设计器旁有一个自然语言建本体入口src/components/NLBuilderModal.tsx打字或说话输入业务场景描述甚至可以用麦克风语音输入浏览器 Web Speech APIAI 抽取建模后端 api/generate-ontology/index.ts 调用 Azure OpenAI用一套严格的系统提示词把描述抽取成实体、属性、关系要求输出固定 JSON Schema主键、基数、图标、配色都有明确规则先预览后落图生成结果先展示实体清单和关系列表你可以直接编辑 JSON 微调确认后才应用到画布这个功能默认关闭由环境变量VITE_ENABLE_AI_BUILDER控制体现了AI 功能可插拔、静态站兜底的架构思路——关掉开关项目依然是零后端的纯静态应用。它同时也是 Microsoft Fabric IQ 的 NL2Ontology 能力预览自然语言问题如何映射到本体的实体与关系用户在这里能直观看到答案。质量护栏让 AI 的产出可以被验证AI 写得快但对才重要。项目的护栏体系大致分三层类型与构建护栏严格 TypeScript Vite 构建npm run build不过不合并自动化测试RDF 解析/序列化有往返测试src/lib/rdf/roundtrip.test.ts编译脚本、查询引擎、路径规划等均有配套单测内容校验命令npm run validate校验目录 RDFnpm run qa:tutorial-content校验课程内容scripts/compile-catalogue.ts在构建期统一编译并检查所有目录条目再叠加 AGENTS.md 里小步提交、提交前验证构建的纪律AI 的每次改动都处于可回滚、可验证的状态。给开发者的 5 条启示先写 AI 规范再写 AI 功能一份清晰的 AGENTS.md 能让 AI 协作从抽卡变成流水线把 SOP 做成技能文档目标 → 前置阅读 → 步骤 → 验证 → 完成标准四段式模板即抄即用AI 生产人工审核内容类产出必须保留under-human-review这样的显式审核状态AI 功能要可关闭用环境变量开关让 AI 能力可插拔保住项目的静态/离线基线约束 AI 的自由度像 name-generator 这样限定人名只能来自指定 CSV用白名单消除 AI 幻觉风险Ontology Playground 证明了一件事AI 辅助开发不是AI 替你写代码而是项目与 AI 共同演进——人定义规范、流程和验收标准AI 负责规模化执行审核工作流负责兜底。这套模式任何开源团队都能直接搬走。【免费下载链接】Ontology-PlaygroundFree, open-source web app for learning about ontologies and Microsoft Fabric IQ. Explore a catalogue of pre-built ontologies, design your own visually, export as RDF/XML, and share interactive diagrams. Zero backend, fully static.项目地址: https://gitcode.com/GitHub_Trending/on/Ontology-Playground创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考