POLLO：将LLM提示词提升为可移植的知识本体

POLLO是基于OWL2 DL和SKOS的语义框架，旨在解决当前提示词工程中不透明、不可组合、不可移植的困境。通过将提示词提升为结构化知识本体，实现跨模型可移植性与智能组合，推动提示词工程从手工艺走向工程化。

当前大语言模型应用中，提示词本质是不透明、不可组合、不可移植的文本产物：更换模型需重写提示词，组合提示词结果难预测，版本管理仅停留在文本层面缺乏语义理解。根本原因在于提示词被视为最终交付物，而非可派生、转换的中间表示。

核心理念

POLLO提出“提示即知识本体”范式，将提示词文本视为从语义意图派生的“字节码”，意图本身为“源代码”，通过切换序列化器可生成不同模型的优化文本。

十大核心概念

围绕PromptIntent（语义核心）、PromptingContext（物理容器）、CommunicativeAct（交际行为）等十大顶层概念构建语义体系。

三层架构

1. 共享词汇层：用SKOS建立领域概念及关联，映射成熟本体；
2. 形式化本体层：用OWL2 DL实现类、属性的公理化；
3. 命名扩展层：提供领域扩展及RDF实例文件。

设计哲学

选择OWL2 DL保证可判定性；SKOS优先于OWL构建共享词汇；显式分离物理（PromptingContext）与语义（PromptIntent）层面。

Morgana是基于.NET 10和Akka.NET的多智能体对话框架，作为POLLO参考用例：

• Guard Actor采用AtomicIntent+Evaluative+DirectStrategy+结构化JSON输出；
• Classifier Actor采用AtomicIntent+Interrogative+Classification+严格输出模式；
• Domain Agent采用PipelineIntent+ReActStrategy+ChainOfThoughtStrategy+工具槽位；
• 通过AgentProfile层级实现分层人格，区分IsolatedAgentContext与SharedAgentContext。 该案例证明POLLO可建模复杂多智能体协作场景。

POLLO代表大语言模型应用开发的范式转变：从文本工程走向知识工程。通过将提示词视为可组合、可移植、可推理的知识本体，有望建立跨模型互操作性，推动提示词工程从手工艺走向工程化。

当前状态

POLLO处于草案阶段，SKOS词汇表和OWL2 DL核心稳定，可供实验反馈。

未来计划

即将推出领域扩展和序列化器组件。

贡献方向

欢迎贡献：新领域扩展、案例研究、模型画像、概念提案等。