OWL、HermiT、Ollama によるローカルMCPセマンティックエージェント

macOS上で完全にローカルに動作する実行アーキテクチャ。LLMエージェントとModel Context Protocol (MCP) over STDIOを使用して、銀行オントロジー(OWL/RDF)の決定的な検査、変更、Description Logic (DL)推論、SPARQLクエリを実行します。

主な機能

• HermiT DL推論: 統合されたDescription Logic推論器(sync_reasoner_hermit)により、オントロジーの整合性を検証し、推論されたクラス階層を計算し、充足不可能なクラスを検出します。

• SPARQLクエリエンジン: RDFLibを介してRDFナレッジグラフに対してW3C SPARQLクエリを直接実行し、複雑なセマンティッククエリ、フィルタリング、集計を可能にします。

• タクソノミーとインスタンスの変更(TBox/ABox): OWLクラス、サブクラス階層、名前付き個体のアサーションを動的に挿入します。

• インタラクティブなフォース指向ビジュアライゼーション: ナレッジグラフをインタラクティブなPyVis HTMLネットワークに自動エクスポートします。

• デュアル実行モード: 自動バッチパイプライン(agente.py)と永続的な対話型REPL(agent_interactive.py)。

Related MCP server: OWL-MCP

アーキテクチャ

このシステムは、モデル推論とグラフ実行を4つのコアレイヤーに分離します:

1. エージェントオーケストレータ:

   • agente.py: バッチエージェントの目標をエンドツーエンドで実行する自動パイプライン。

   • agent_interactive.py: 状態を維持し、動的なマルチステップのセマンティックワークフローを実行するマルチターン対話型REPL。

2. LLMエンジン(Ollama): ローカルモデル(例: glm-5.2:cloud、qwen2.5-coder)を実行し、ファイルへの直接アクセスなしで意図の分解とパラメータのフォーマットを実行します。

3. MCPサーバー(server.py): STDIOを介して通信するJSON-RPC 2.0インターフェース。モデルのツール呼び出しを、Owlready2とRDFLibを介した決定的なセマンティックグラフ操作に変換します。

4. セマンティックレイヤー(core.owl): HermiT DL推論器で検証された永続的なW3C RDF/XMLオントロジーグラフ。

リポジトリ構造

• core.owl: RDF/XML形式の基本銀行オントロジーファイル(W3C OWL標準)。

• server.py: TBox/ABox変更、SPARQL実行、HermiT推論、PyVisグラフエクスポートを提供するネイティブJSON-RPC 2.0 MCPサーバー。

• agente.py: OllamaをMCPサーバーに接続する自動バッチ実行エージェント。

• agent_interactive.py: リアルタイムのオントロジー管理のためのインタラクティブな対話型REPLエージェント。

• requirements.txt: Python依存関係(owlready2、rdflib、pyvis)。

• graph.html: エクスポートされたインタラクティブなHTMLグラフビジュアライゼーション(オンデマンドで生成)。

• README.md: プロジェクトアーキテクチャ、ツールドキュメント、セットアップ手順。

前提条件

• OS: macOS (Apple SiliconまたはIntel)

• Python: 3.10以上

• Ollama: インストールされ、ローカルで実行中

• Java: OpenJDK / JRE (HermiT推論器のためにOwlready2が必要)

インストールと環境セットアップ

1. リポジトリをクローンし、プロジェクトディレクトリに移動します:

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

2. 仮想環境を作成してアクティベートします:

python3 -m venv venv
source venv/bin/activate

3. 必要な依存関係をインストールします:

pip install -r requirements.txt

4. Ollamaでモデルをダウンロードします:

ollama pull glm-5.2:cloud

5. エージェントデモを実行します:

python3 agente.py

python3 agent_interactive.py

7. ナレッジグラフの可視化

open graph.html

利用可能なMCPツール

• list_classes

• パラメータ: なし

• 説明: core.owlをロードし、登録されているすべてのオントロジークラスを返します。

• add_subclass

• パラメータ: new_class (文字列、必須)、parent_class (文字列、必須)

• 説明: 既存の親クラスの下に新しいクラスを挿入し、更新されたRDF/XMLグラフをディスクに保存します。

• create_individual

• パラメータ: class_name (文字列、必須)、individual_id (文字列、必須)

• 説明: 特定のクラスに属する具体的なABox個体をインスタンス化します。

• check_consistency

• パラメータ: なし

• 説明: HermiT Description Logic (DL)推論器を実行して、論理的な整合性を検証し、充足不可能なクラスを検出します。

• execute_sparql

• パラメータ: query (文字列、必須)

• 説明: RDFナレッジグラフに対して標準のW3C SPARQLクエリを実行します。

• export_graph

• パラメータ: output_html (文字列、オプション; デフォルト: graph.html)

• 説明: PyVisを使用して、オントロジーのインタラクティブなフォース指向HTMLグラフビジュアライゼーションを生成します。