ontology-school-path-generator

Generieren Sie Ontology School-Kurspfade/Labs mit progressiven Schritt-Ontologien aus Quell-Ontologiematerial. Verwenden Sie dies, wenn der Benutzer darum bittet, eine Ontologie in ein Tutorial umzuwandeln …

npx skills add https://github.com/microsoft/ontology-playground --skill ontology-school-path-generator

ZIP herunterladen GitHub

Ontology School Path Generator Skill

Goal

Generate a complete Ontology School course with progressive ontology steps.

Read First

docs/authoring-guide.md
docs/learn-content-guide.md
docs/embed-guide.md
Example lab:

content/learn/iq-lab-retail-supply-chain/
catalogue/official/iq-lab-retail-step-1/

Workflow

Extract a teachable subset from source ontology.
Define step progression (4-7 steps).
Create step ontologies under catalogue/official/<slug>-step-N/.
Mark step ontologies with "category": "school".
Create course under content/learn/<course-slug>/.
Add <ontology-embed> + diff for progressive steps.
Include at least one quiz per article.

Person Names

If the course, step ontologies, examples, sample data, quests, quiz text, or docs need any person names, first use the name-generator skill. Do not invent customer, employee, patient, student, instructor, reviewer, or other human names.

All generated person names must come from:

data/reference/FNF-2026-06-01-01002-0268.csv

Use the CSV FullName column by default, and keep selected names consistent across source markdown, RDF/OWL examples, generated catalogue data, and tests.

Validate

npm run qa:tutorial-content
npm run build

Human Review Flow

If lesson content is not yet approved:

Add reviewStatus: under-human-review to article frontmatter
Open review issue via .github/ISSUE_TEMPLATE/ontology-school-review.yml

Done Criteria

Course renders in /#/learn
Step ontologies are isolated in School category
Any person names introduced by the lesson or sample data came from the name-generator skill / approved CSV fixture
Builds and validators pass

Mehr Skills von microsoft

OSS-Wachstums-Hacker-Persona

agent-framework-azure-ai-py

Erstellen Sie Azure AI Foundry-Agents mit dem Microsoft Agent Framework Python SDK (agent-framework-azure-ai). Verwenden Sie dies beim Erstellen persistenter Agents mit AzureAIAgentsProvider, bei der Nutzung gehosteter Tools (Code-Interpreter, Dateisuche, Websuche), bei der Integration von MCP-Servern, bei der Verwaltung von Konversationsthreads oder bei der Implementierung von Streaming-Antworten. Umfasst Funktionstools, strukturierte Ausgaben und Multi-Tool-Agents.

airunway-aks-setup

Richte AI Runway auf AKS ein – vom leeren Cluster bis zum laufenden Modell. Umfasst Cluster-Überprüfung, Controller-Installation, GPU-Bewertung, Provider-Einrichtung und erste Bereitstellung. WANN: „AI Runway einrichten“, „AKS-Cluster onboarden“, „AI Runway installieren“, „airunway setup“, „Modell auf AKS bereitstellen“, „GPU-Inferenz auf AKS“, „KAITO-Setup auf AKS“, „LLM auf AKS ausführen“, „vLLM auf AKS“, „Modell-Serving auf AKS einrichten“, „AI Runway-Controller“.

appinsights-instrumentation

Leitfaden zur Instrumentierung von Webanwendungen mit Azure Application Insights. Bietet Telemetriemuster, SDK-Einrichtung und Konfigurationsreferenzen. WANN: wie man eine App instrumentiert, App Insights SDK, Telemetriemuster, was ist App Insights, Application Insights-Anleitung, Instrumentierungsbeispiele, APM-Best Practices.

applicationinsights-web-ts

Instrumentieren Sie Browser-/Web-Apps mit dem Application Insights JavaScript SDK (@microsoft/applicationinsights-web). Verwenden Sie es für Real User Monitoring (RUM) – Seitenaufrufe, Klicks, AJAX/Fetch-Abhängigkeiten, Ausnahmen, benutzerdefinierte Ereignisse und browser-seitige GenAI-Agent-Traces, die mit Backend-OpenTelemetry-Traces korreliert werden. Umfasst SDK-Loader-Skript und npm-Setup, Framework-Erweiterungen (React, React Native, Angular), Click Analytics, Telemetrie-Initialisierer und OTel-GenAI-Semantik-Konventionen für Agent-/Tool-/Modell-Spans, die vom Browser ausgegeben werden.

azure-ai-anomalydetector-java

Erstellen Sie Anomalieerkennungsanwendungen mit dem Azure AI Anomaly Detector SDK für Java. Verwenden Sie dies bei der Implementierung von univariater/multivariater Anomalieerkennung, Zeitreihenanalyse oder KI-gestützter Überwachung.

azure-ai-language-conversations-py

Implementieren Sie Conversational Language Understanding (CLU) mit dem azure-ai-language-conversations Python SDK. Verwenden Sie dies, wenn Sie mit ConversationAnalysisClient arbeiten, um Gesprächsabsichten und Entitäten zu analysieren, NLP-Funktionen zu erstellen oder Sprachverständnis in Anwendungen zu integrieren.

Azure Machine Learning SDK v2 für Python. Verwenden für ML-Workspaces, Jobs, Modelle, Datensätze, Compute und Pipelines. Auslöser: „azure-ai-ml“, „MLClient“, „Workspace“, „Modell-Registry“, „Trainings-Jobs“, „Datensätze“.