Lokaler MCP-Semantik-Agent mit OWL, HermiT & Ollama

Eine vollständig lokale Ausführungsarchitektur für macOS zur deterministischen Inspektion, Mutation, Description-Logic- (DL-)Reasoning und SPARQL-Abfrage von Banken-Ontologien (OWL/RDF) mithilfe von LLM-Agenten und dem Model Context Protocol (MCP) über STDIO.

Kernfunktionen

• HermiT-DL-Reasoning: Integrierter Description-Logic-Reasoner (sync_reasoner_hermit) zur Überprüfung der Ontologie-Konsistenz, Berechnung abgeleiteter Klassenhierarchien und Erkennung unerfüllbarer Klassen.

• SPARQL-Abfrage-Engine: Direkte Ausführung von W3C-SPARQL-Abfragen über den RDF-Wissensgraphen mittels RDFLib, die komplexe semantische Abfragen, Filterungen und Aggregationen ermöglicht.

• Taxonomie- und Instanz-Mutation (TBox/ABox): Dynamisches Einfügen von OWL-Klassen, Unterklassenhierarchien und benannten Individuen-Assertionen.

• Interaktive kraftbasierte Visualisierungen: Automatischer Export des Wissensgraphen in interaktive PyVis-HTML-Netzwerke.

• Duale Ausführungsmodi: Automatisierte Batch-Pipeline (agente.py) und persistente konversationelle REPL (agent_interactive.py).

Related MCP server: OWL-MCP

Architektur

Das System entkoppelt Modell-Reasoning von der Graphenausführung über vier Kernschichten:

1. Agent-Orchestrator:

   • agente.py: Automatisierte Pipeline, die Batch-Agentenziele Ende-zu-Ende ausführt.

   • agent_interactive.py: Mehrrunden-Konversations-REPL, die den Zustand beibehält und dynamische mehrstufige semantische Workflows ausführt.

2. LLM-Engine (Ollama): Führt lokale Modelle (z. B. glm-5.2:cloud, qwen2.5-coder) aus, um Absichtsdekomposition und Parameterformatierung ohne direkten Dateizugriff durchzuführen.

3. MCP-Server (server.py): JSON-RPC-2.0-Schnittstelle über STDIO, die Modell-Tool-Aufrufe über Owlready2 und RDFLib in deterministische semantische Graphenoperationen übersetzt.

4. Semantische Schicht (core.owl): Persistenter W3C-RDF/XML-Ontologiegraph, der mit dem HermiT-DL-Reasoner verifiziert wird.

Repository-Struktur

• core.owl: Basis-Bankenontologie-Datei im RDF/XML-Format (W3C-OWL-Standard).

• server.py: Nativer JSON-RPC-2.0-MCP-Server, der TBox/ABox-Mutation, SPARQL-Ausführung, HermiT-Reasoning und PyVis-Graphexporte bereitstellt.

• agente.py: Automatisierter Batch-Ausführungsagent, der Ollama mit dem MCP-Server verbindet.

• agent_interactive.py: Interaktiver Konversations-REPL-Agent für die Echtzeit-Ontologieverwaltung.

• requirements.txt: Python-Abhängigkeiten (owlready2, rdflib, pyvis).

• graph.html: Exportierte interaktive HTML-Graphvisualisierung (bei Bedarf generiert).

• README.md: Projektarchitektur, Tool-Dokumentation und Einrichtungsanweisungen.

Voraussetzungen

• Betriebssystem: macOS (Apple Silicon oder Intel)

• Python: 3.10 oder höher

• Ollama: Installiert und lokal ausgeführt

• Java: OpenJDK / JRE (von Owlready2 für den HermiT-Reasoner benötigt)

Installation und Umgebungseinrichtung

1. Klonen Sie das Repository und navigieren Sie in das Projektverzeichnis:

git clone [https://github.com/jairorodriguezarias/mcp-ontology-layer.git](https://github.com/jairorodriguezarias/mcp-ontology-layer.git)
cd mcp-ontology-layer

2. Erstellen und aktivieren Sie eine virtuelle Umgebung:

python3 -m venv venv
source venv/bin/activate

3. Installieren Sie die erforderlichen Abhängigkeiten:

pip install -r requirements.txt

4. Laden Sie das Modell in Ollama herunter:

ollama pull glm-5.2:cloud

5. Führen Sie die Agent-Demo aus:

python3 agente.py

python3 agent_interactive.py

7. Visualisierung des Wissensgraphen

open graph.html

Verfügbare MCP-Tools

• list_classes

• Parameter: Keine

• Beschreibung: Lädt core.owl und gibt alle registrierten Ontologieklassen zurück.

• add_subclass

• Parameter: new_class (Zeichenkette, erforderlich), parent_class (Zeichenkette, erforderlich)

• Beschreibung: Fügt eine neue Klasse unter einer vorhandenen Elternklasse ein und speichert den aktualisierten RDF/XML-Graphen auf der Festplatte.

• create_individual

• Parameter: class_name (Zeichenkette, erforderlich), individual_id (Zeichenkette, erforderlich)

• Beschreibung: Instanziiert ein konkretes ABox-Individuum, das zu einer bestimmten Klasse gehört.

• check_consistency

• Parameter: Keine

• Beschreibung: Führt den HermiT-Description-Logic- (DL-)Reasoner aus, um die logische Konsistenz zu überprüfen und unerfüllbare Klassen zu erkennen.

• execute_sparql

• Parameter: query (Zeichenkette, erforderlich)

• Beschreibung: Führt eine standardmäßige W3C-SPARQL-Abfrage gegen den RDF-Wissensgraphen aus.

• export_graph

• Parameter: output_html (Zeichenkette, optional; Standard: graph.html)

• Beschreibung: Generiert eine interaktive kraftbasierte HTML-Graphvisualisierung der Ontologie mit PyVis.