Skip to main content
Glama
deenesjakoruzh
rinDBeans

onto-agent

by rinDBeans
OverviewSchemaRelated ServersScoreDiscussions
Python
Hybrid

🌌 OntoAgent

The All-Knowing Code Brain & Architecture Contract Guard for AI Coding Agents

AI コーディングエージェント向けの全リポジトリ認知ナレッジグラフとアーキテクチャガバナンスエンジン。

CI Python 3.10+ License: Apache-2.0 Embedded Kùzu DB MCP Supported DSH Compatible Benchmark

📖 Why OntoAgent?

現代の Coding Agent が大規模なコードベースに直面するとき、通常3つの構造的な問題に遭遇します：

  1. 群盲象を撫でる：現在のファイルしか見えず、モジュールをまたぐ呼び出し元、API 契約、テスト依存関係が見えません。

  2. 長文脈幻覚：リポジトリ全体を Prompt に「力技で放り込み」、Token コストが高く、S/N 比が低く、モデルが重要な制約を見落としがちです。

  3. 破壊的変更の追跡が困難：コアクラスを変更しても、どの上流モジュール、テスト、インターフェースが一緒に壊れるかを素早く把握できません。

従来のアプローチ：

  • Naive Raw Text：全量をコンテキストに詰め込み、Token が膨大で構造化された位置特定がありません。

  • Vector-Chunk RAG：テキスト類似度でチャンク分割し、Token を圧縮できますが、AST レベルの依存関係、継承関係、契約セマンティクスが失われます。

OntoAgent の選択：

AST 静的解析 + 組み込み型グラフデータベース で全リポジトリの認知グラフを構築し、AI Agent がコードを変更する前に 呼び出し網、契約、テスト、爆発半径 を確認できるようにします。

Related MCP server: code-intel

🏛️ Architecture Flow

graph TD
    subgraph Base["底座层"]
        Kuzu["Kùzu Embedded Graph DB"]
        AST["AST Parsers: Python / TypeScript / Markdown / JSON"]
    end

    subgraph Core["核心引擎"]
        Blast["Blast Radius Analyzer"]
        Context["Smart Context Extractor"]
        Compliance["Architecture Compliance Guard"]
        Scanner["Codebase Scanner & Entity Ingestion"]
    end

    subgraph Ecosystem["交互生态"]
        MCP["MCP Server"]
        DSH["DSH / Cordis Plugin"]
        CLI["onto-agent CLI"]
        Dashboard["React 2D Canvas + Dagre Dashboard"]
    end

    AST --> Scanner
    Scanner --> Kuzu
    Kuzu --> Blast
    Kuzu --> Context
    Kuzu --> Compliance
    Blast --> MCP
    Context --> DSH
    Compliance --> CLI
    Scanner --> Dashboard

📊 Benchmark

ワンクリックで再現：

python benchmark/run_benchmark.py

決定論的なコードフィクスチャに基づき、3つのコンテキスト構築戦略を比較：

Method

Tokens

Token Reduction

Critical Dep Recall

Test & Contract Recall

Blast Precision

Blast Recall

Blast F1

A. Naive Raw Text

1162

0.0%

100.0%

100.0%

50.0%

100.0%

66.7%

B. Vector-Chunk RAG

282

75.7%

0.0%

66.7%

60.0%

60.0%

60.0%

C. OntoAgent AST Graph

120

89.7%

100.0%

100.0%

100.0%

100.0%

100.0%

結論：

  • OntoAgent は Naive Raw Text と比較して約 89.7% の Token 消費を削減します。

  • OntoAgent は Vector-Chunk RAG と比較して、重要依存関係の再現率、テスト/契約の再現率、爆発半径の特定において全面的に優れています。

  • 完全なレポートは benchmark/reports/benchmark_report.md を参照してください。

🚀 Quickstart

1. インストール

pip install -e .[test]

2. 全リポジトリをスキャン

onto-agent scan --path .

3. 可視化ワークベンチを起動

python dashboard/api_server.py
# 打开 http://127.0.0.1:8000

4. MCP を設定

integrations/cursor_mcp.json を .cursor/mcp.json にコピーするか、Claude Desktop でマージします：

{
  "mcpServers": {
    "onto-agent": {
      "command": "python",
      "args": ["-m", "onto_agent.mcp"]
    }
  }
}

5. DSH ネイティブプラグインをインストール

dsh plugin --profile web add ./integrations/dsh/onto-agent-plugin

🧠 Agent Abilities

get_blast_radius(file_path)

任意のファイル/シンボルを変更する前に、以下を返します：

  • 直接の呼び出し元

  • 間接的に影響を受けるモジュール

  • 下流の依存関係

  • 関連する API 契約

  • 実行が必要なテスト

check_architecture_compliance(strict=True)

チェック：

  • 循環 import

  • レイヤーをまたぐ違反呼び出し

  • テストでカバーされていないコアクラス

get_smart_context(query_or_symbol)

リファクタリング/生成前の高 S/N 比コンテキストを生成：

  • 定義、行数、Docstring

  • クラス/関数リスト

  • imports / callers

  • API 契約、関連テスト、関連ドキュメント

🔌 Ecosystem

エントリポイント

方法

MCP

onto_get_blast_radius、onto_check_architecture_compliance、onto_get_smart_context など 10 個のツール

DSH

integrations/dsh/onto-agent-plugin、Cordis ネイティブプラグイン

CLI

onto-agent blast-radius、onto-agent compliance、onto-agent context

REST

/api/blast_radius、/api/architecture/compliance、/api/smart_context

Dashboard

React + Force Graph + Dagre 階層アーキテクチャ図

🗂️ Project Layout

src/onto_agent/
├── engine/          # Scanner, ArchitectureGuard, Context, Steering, Reflection
├── storage/         # Kùzu graph storage adapter
├── mcp/             # MCP Server
├── client/          # Python SDK
└── cli.py           # Unified CLI

dashboard/           # FastAPI + React workbench
benchmark/           # Reproducible Codex-for-Open benchmark
integrations/        # Cursor / Claude / Windsurf / DSH
docs/                # Design docs & tickets
tests/               # 48+ unit / integration tests

📚 Documentation

📄 License

本プロジェクトは Apache-2.0 でオープンソース公開されています。

This server cannot be installed

A
license - permissive license
Not graded
quality - not tested
B
maintenance

How are these scores calculated?

Maintenance

–Maintainers
–Response time
–Release cycle
1Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

  • code-intel

    nairraf
    A
    license
    Not graded
    quality
    C
    maintenance
    Provides semantic code search and code insights via a knowledge graph, enabling AI to understand, navigate, and modify complex projects with deep dependency and architecture analysis.
    MIT

  • CodeGraph

    andysom25
    A
    license
    Not graded
    quality
    B
    maintenance
    Supercharges AI coding agents with semantic code intelligence, providing pre-built knowledge graphs for surgical context, faster answers, and fewer tool calls.
    MIT
  • coderadius by coderadius-ai

    coderadiusofficial

    coderadius-ai
    A
    license
    Not graded
    quality
    A
    maintenance
    Enables AI agents to query architecture context, data contracts, and blast radius to prevent cross-repo architectural breakage before merging.
    30
    Apache 2.0

View all related MCP servers

Related MCP Connectors

  • Hokmah

    AI Agent with Architectural Memory. Impact analysis (free), tests and code from the graph (pro).

  • Umtri

    Give your AI agent a persistent map of your project's structure, dependencies, and bugs.

  • Lobu

    Shared, permission-aware company context for AI agents, with provenance, approvals and audit.

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/rinDBeans/onto-agent'

If you have feedback or need assistance with the MCP directory API, please join our Discord server