BDI 心智状态建模
把 RDF 上下文转化为可解释的信念、愿望与意图链。
核心内容是文档化的 RDF/BDI 建模指导，没有直接执行、凭证窃取或隐蔽外传；但示例涉及支付、SPARQL 远端存储和 FIPA 通信，未说明权限隔离、用户确认、敏感数据处理、外部影响或回滚，因此扣分。
激活边界和六步流程较清晰，且提供异常重试示例；但静态检查发现集成代码存在未展示的依赖/导入、占位方法和可能不一致的属性用法，未提供针对关键路径的测试或可诊断失败证据，因此限制在静态上限内并扣分。
目标场景、相邻技能边界、输入概念和 RDF/SPARQL 输出模式说明较充分；但主要面向熟悉本体工程的用户，未明确环境要求、非适用范围和完整触发条件，全文仅英文；核心功能不依赖特定海外服务，未因中国网络可达性额外扣分。
目录结构、渐进式 references、示例、Gotchas、版本、创建/更新时间、作者、MIT 许可和维护背景均有说明；但没有明确依赖安装、兼容版本、变更日志或责任维护者，且内容较长并包含未验证的集成片段，因此未满分。
该技能提供可直接改写为 Turtle、SPARQL、规则或集成代码的模式，能覆盖 BDI 建模核心任务；但示例代码和框架适配仍需工程化修正，缺少可执行产物和结果验证，按静态校准不超过7分。
技能列出 BDI、Rao/Georgeff、Bratman 等来源，并提供 competency queries 和验证查询，具备一定审计基础；但未给出可核验的来源链接、提交测试、CI 覆盖或第三方复现结果，静态证据不足以超过5分。
- 不要将支付、消息发送或远端三元组存储示例直接用于生产；先补充权限、用户确认、敏感数据保护、审计和回滚机制。
- 运行前应核对 RDF 属性、命名空间、依赖导入及示例 API；当前文件未证明这些片段可直接执行。
- 应补充依赖安装与兼容版本、维护责任、变更记录，以及中文触发和使用说明。
这个 Skill 能做什么，适合哪些场景？
该技能面向需要形式化建模智能体认知状态的开发者。它使用 BDI 本体模式，将外部 RDF 世界状态转换为信念、愿望和意图，并通过计划、时间有效期和明确理由支持追踪。技能还描述了 T2B2T 双向流程，使智能体能够读取 RDF 并将执行结果写回 RDF。适合认知智能体、神经符号系统和多智能体平台中的可解释推理。
指导智能体先建模 WorldState，再创建带来源、时间有效期和理由的 Belief；根据信念生成 Desire，并将选定愿望提升为包含计划和任务序列的 Intention。它使用 Turtle/RDF 示例表达认知链，使用 SPARQL 查询动机、生成过程、任务顺序和有效时间窗口，并通过 T2B2T 将外部三元组转为信念、再把执行结果投影回 RDF。技能还提供 LAG、SEMAS 规则转换以及 SEMAS、JADE、JADEX 集成方向。
- 构建认知智能体时，需要把外部 RDF 事实转为可查询的信念状态。
- 开发多智能体系统时，需要追踪某个意图由何种愿望和信念产生。
- 实现神经符号系统时，需要用 BDI 本体约束 LLM 生成的 RDF 三元组。
- 审计智能体行为时，需要查询理由、计划步骤和 mental state 的时间有效期。
- 把 BDI 推理接入规则平台或 RDF 数据流时，需要在输入和输出之间建立 T2B2T 管道。
这个 Skill 有哪些优点和局限？
- 提供从世界状态到信念、愿望、意图和计划的完整建模链。
- 强调来源、理由、时间有效期和双向关系，便于解释与查询。
- 包含 Turtle、SPARQL、Python 伪代码和 SEMAS 规则示例。
- 明确区分 BDI 建模与普通记忆、多智能体拓扑等相邻问题。
- 技能主要提供建模指导和伪代码，未提供可直接安装的运行时实现。
- 来源未展示自动化测试套件或已验证的平台兼容性测试。
- 要求使用 RDF、SPARQL 和本体概念，学习成本高于普通事实记忆方案。
- 技能建议将信念链控制在三层以内，复杂认知链可能需要额外设计。
如何安装这个 Skill？
将仓库中的技能目录复制到兼容 Agent Skills 的技能目录：
mkdir -p .codex/skills
cp -R skills/bdi-mental-states .codex/skills/
对于 Claude Code，可使用：
mkdir -p .claude/skills
cp -R skills/bdi-mental-states .claude/skills/
必须保留目录结构和 SKILL.md；不要将其展平为单个 Markdown 文件。
如何使用这个 Skill？
在需要形式化 BDI 建模时触发，例如：“将这组外部 RDF 三元组转换为带来源、时间有效期和理由的 BDI 信念，并推导愿望、意图和计划；同时生成可验证的 SPARQL 查询。”若任务只是保存用户偏好或跨会话事实，应使用 memory-systems；若任务只是决定智能体拓扑或交接，应使用 multi-agent-patterns。
这个 Skill 与同类方案有什么区别？
与 memory-systems 相比，本技能关注具有信念、愿望、意图语义的形式化认知状态，而不是普通持久记忆。与 multi-agent-patterns 相比，本技能关注单个或多个智能体的认知链、理由和计划，不负责智能体拓扑或交接协议。