mcp-ontology-layer
Agente semántico MCP local con OWL, HermiT y Ollama
Una arquitectura de ejecución totalmente local en macOS para inspección determinista, mutación, razonamiento de Lógica Descriptiva (DL) y consultas SPARQL de ontologías bancarias (OWL/RDF) utilizando agentes LLM y el Model Context Protocol (MCP) sobre STDIO.
Capacidades principales
Razonamiento DL con HermiT: Razonador de Lógica Descriptiva integrado (
sync_reasoner_hermit) para verificar la consistencia de la ontología, calcular jerarquías de clases inferidas y detectar clases insatisfacibles.Motor de consultas SPARQL: Ejecución directa de consultas SPARQL W3C sobre el grafo de conocimiento RDF mediante RDFLib, permitiendo consultas semánticas complejas, filtrado y agregaciones.
Mutación de taxonomía e instancias (TBox/ABox): Inserción dinámica de clases OWL, jerarquías de subclases y aserciones de individuos nombrados.
Visualizaciones interactivas dirigidas por fuerza: Exportación automática del grafo de conocimiento a redes HTML interactivas de PyVis.
Modos de ejecución duales: Pipeline automatizado por lotes (
agente.py) y REPL conversacional persistente (agent_interactive.py).
Related MCP server: OWL-MCP
Arquitectura
El sistema desacopla el razonamiento del modelo de la ejecución del grafo en cuatro capas principales:
Orquestador de agentes:
agente.py: Pipeline automatizado que ejecuta objetivos de agente por lotes de principio a fin.agent_interactive.py: REPL conversacional de múltiples turnos que mantiene el estado y ejecuta flujos de trabajo semánticos dinámicos de múltiples pasos.
Motor LLM (
Ollama): Ejecuta modelos locales (por ejemplo,glm-5.2:cloud,qwen2.5-coder) para realizar descomposición de intenciones y formato de parámetros sin acceso directo a archivos.Servidor MCP (
server.py): Interfaz JSON-RPC 2.0 que se comunica a través de STDIO, traduciendo las llamadas a herramientas del modelo en operaciones deterministas de grafo semántico mediante Owlready2 y RDFLib.Capa semántica (
core.owl): Grafo de ontología RDF/XML W3C persistente verificado con el razonador DL HermiT.
Estructura del repositorio
core.owl: Archivo base de ontología bancaria en formato RDF/XML (estándar W3C OWL).server.py: Servidor MCP nativo JSON-RPC 2.0 que proporciona mutación TBox/ABox, ejecución SPARQL, razonamiento HermiT y exportaciones de grafos PyVis.agente.py: Agente de ejecución por lotes automatizado que conecta Ollama al servidor MCP.agent_interactive.py: Agente REPL conversacional interactivo para la gestión de ontologías en tiempo real.requirements.txt: Dependencias de Python (owlready2,rdflib,pyvis).graph.html: Visualización de grafo HTML interactiva exportada (generada bajo demanda).README.md: Arquitectura del proyecto, documentación de herramientas e instrucciones de configuración.
Requisitos previos
SO: macOS (Apple Silicon o Intel)
Python: 3.10 o superior
Ollama: Instalado y ejecutándose localmente
Java: OpenJDK / JRE (requerido por Owlready2 para el razonador HermiT)
Instalación y configuración del entorno
Clona el repositorio y navega al directorio del proyecto:
git clone [https://github.com/jairorodriguezarias/mcp-ontology-layer.git](https://github.com/jairorodriguezarias/mcp-ontology-layer.git)
cd mcp-ontology-layerCrea y activa un entorno virtual:
python3 -m venv venv
source venv/bin/activateInstala las dependencias requeridas:
pip install -r requirements.txt4 . Descarga el modelo en Ollama:
ollama pull glm-5.2:cloudEjecuta la demo del agente:
python3 agente.py6 .
python3 agent_interactive.pyVisualizando el grafo de conocimiento
open graph.htmlHerramientas MCP disponibles
list_classes
Parámetros: Ninguno
Descripción: Carga
core.owly devuelve todas las clases de ontología registradas.add_subclass
Parámetros:
new_class(cadena, obligatorio),parent_class(cadena, obligatorio)Descripción: Inserta una nueva clase bajo una clase padre existente y guarda el grafo RDF/XML actualizado en disco.
create_individual
Parámetros:
class_name(cadena, obligatorio),individual_id(cadena, obligatorio)Descripción: Instancia un individuo ABox concreto perteneciente a una clase específica.
check_consistency
Parámetros: Ninguno
Descripción: Ejecuta el razonador de Lógica Descriptiva (DL) HermiT para verificar la consistencia lógica y detectar clases insatisfacibles.
execute_sparql
Parámetros:
query(cadena, obligatorio)Descripción: Ejecuta una consulta SPARQL estándar W3C contra el grafo de conocimiento RDF.
export_graph
Parámetros:
output_html(cadena, opcional; por defecto:graph.html)Descripción: Genera una visualización de grafo HTML interactiva dirigida por fuerza de la ontología utilizando PyVis.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
Repository knowledge graph MCP server for codebase understanding and debugging.
Query your own knowledge graph from any MCP client. The graph lives in a database you own.
Cross-vendor AI memory over MCP. One semantic store, readable and writeable from every MCP client.
MCP server for querying BrainKB, a knowledge base for neuroscience knowledge graphs.
Related MCP Servers
- AlicenseCqualityDmaintenanceA Model Context Protocol (MCP) server that connects GraphDB's SPARQL endpoints and Ollama models to Claude, enabling Claude to query and manipulate ontology data while leveraging various AI models.283MIT
- FlicenseNot gradedqualityDmaintenanceA Model-Context-Protocol server that enables AI assistants to create, edit, and manage Web Ontology Language (OWL) ontologies through function calls using OWL functional syntax.22-
- AlicenseAqualityAmaintenanceAI-native ontology engineering MCP server for OWL/RDF/SPARQL. Validate, query, diff, lint, version, and govern knowledge graphs via Oxigraph triple store.422,932MIT

ontoloomofficial
AlicenseNot gradedqualityDmaintenanceMCP server for building and exploring OWL 2 ontologies using AI agents, with tools for axiom management, structural pattern matching, and persistent selections.25BSD 3-Clause