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:

1. 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.

2. 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.

3. 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.

4. 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

1. 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-layer

2. Crea y activa un entorno virtual:

python3 -m venv venv
source venv/bin/activate

3. Instala las dependencias requeridas:

pip install -r requirements.txt

4 . Descarga el modelo en Ollama:

ollama pull glm-5.2:cloud

5. Ejecuta la demo del agente:

python3 agente.py

6 .

python3 agent_interactive.py

7. Visualizando el grafo de conocimiento

open graph.html

Herramientas MCP disponibles

• list_classes

• Parámetros: Ninguno

• Descripción: Carga core.owl y 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.