Skip to main content
Glama

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
  1. Crea y activa un entorno virtual:

python3 -m venv venv
source venv/bin/activate
  1. Instala las dependencias requeridas:

pip install -r requirements.txt

4 . Descarga el modelo en Ollama:

ollama pull glm-5.2:cloud
  1. Ejecuta la demo del agente:

python3 agente.py

6 .

python3 agent_interactive.py
  1. 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.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      C
      quality
      D
      maintenance
      A 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.
      28
      3
      MIT
    • A
      license
      Not graded
      quality
      D
      maintenance
      MCP server for building and exploring OWL 2 ontologies using AI agents, with tools for axiom management, structural pattern matching, and persistent selections.
      25
      BSD 3-Clause