一天一个开源项目

开源项目第186期：Open Ontologies — Rust 实现的 AI 原生本体工程 MCP 服务器，70+ 工具、单二进制、无需 JVM，5 分钟构建 Protégé 要 4 小时才能完成的本体

The Tesseract Academy 出品的 Rust MCP 服务器，把本体工程变成 AI Agent 可直接调用的能力。70+ 工具覆盖验证、推理、对齐、生命周期治理、RAG 增强全流程。三层架构：Dynamics（原子操作+OWL-RL）、Causal（因果识别）、Planner（PDDL编译）。Studio 桌面应用（Tauri 2 + React 19），AI 聊天面板直接构建生产级 OWL 本体。Pizza 本体基准：5 分钟 96% 覆盖 vs Protégé 手工 4 小时。OAEI 解剖学对齐精确率 0.960（全场第三）。内置 33 个标准本体市场，支持英国国家数字孪生计划 IES 框架。341 Stars，MIT。

·约 9 分钟阅读·Knowledge Engineering
open-sourceontologyknowledge-graphMCPRustOWLSPARQLAI-agentdigital-twinIESRAGTauriTypeScript

引言

"Pizza 本体是学本体论的经典练习——Protégé 手工做要 4 小时，给 AI Agent 用这个工具，5 分钟做到 96% 覆盖。"

这是「每日一个开源项目」系列的第 186 篇。今天的项目是 Open Ontologies —— The Tesseract Academy（英国）出品的 Rust MCP 服务器，把本体工程的全套能力封装成 AI Agent 可以直接调用的工具集。

上一期 #183 介绍的 Ontology Playground 是微软出品的学习工具，帮你理解本体是什么、怎么设计。Open Ontologies 面向的是另一个场景：你已经知道本体是什么，现在需要用 AI Agent 构建生产级的 OWL 本体，同时需要验证、推理、对齐、治理一整套流程。

单二进制文件，无需 JVM（Protégé 依赖 Java），接入 Claude Code / Claude Desktop / Cursor 等任何 MCP 客户端直接用。341 Stars，MIT 许可。

你会学到什么

  • Open Ontologies 和 Ontology Playground 的定位差异：工程生产 vs 学习入门
  • 三层架构：Dynamics、Causal、Planner 各做什么
  • 70+ MCP 工具的分类和核心用法
  • Studio 桌面应用：AI 聊天面板直接构建本体
  • 基准测试：Pizza 本体、OAEI 对齐、声明一致性性能
  • IES 框架和英国国家数字孪生计划

前提知识

  • 了解本体论基础概念（类、属性、OWL）——不了解可以先看 #183 Ontology Playground
  • 用过 MCP 服务器（Claude Code 或 Claude Desktop 连接过 MCP）
  • 不需要了解 Rust

背景：本体工程的工具链困境

传统本体工程依赖 Protégé，这是一个运行在 JVM 上的桌面应用，功能完整但有几个明显问题：

  • JVM 依赖：安装重，启动慢
  • 不适合 AI 集成：没有 API，AI 无法直接调用
  • 治理能力弱：没有版本控制、变更管理、策略执行等生产级需求
  • 性能：HermiT 推理器，声明一致性检查中位延迟 4,936 微秒

Open Ontologies 用 Rust + MCP 重新定义这个工具链：声明一致性检查中位延迟 0.3 微秒（快 16,000 倍），所有功能通过 MCP 协议暴露给 AI Agent 调用。

三层架构

Dynamics 层：原子操作 + OWL-RL 推理

底层是 Oxigraph，一个纯 Rust 的 SPARQL 1.1 引擎（三元组存储）。在这之上：

  • ActionSchema：4 个核心 MCP 工具，支持并发原子操作
  • 因果法则：动作的前置条件和后置效应
  • OWL-RL 闭包：本体变更后自动计算推理闭包

Causal 层：因果识别

onto_certify_action 工具，可选集成 PyWhy 后门识别算法（启用 causal-pywhy feature）。

在医疗、金融等领域，本体中的因果关系需要严格验证——这一层处理这个需求。

Planner 层：PDDL 编译 + 规划验证

把本体操作序列编译为 PDDL（Planning Domain Definition Language），调用 Fast Downward 规划器，在沙箱里验证变更计划的可行性，然后再应用到正式本体上。

70+ MCP 工具

工具按功能分组，AI Agent 通过 MCP 协议调用：

核心操作

validate        验证 OWL 本体结构正确性
load / save     加载和保存本体文件
query           SPARQL 查询
diff            两个本体版本的差异对比
lint            风格和规范检查

推理工具

reason          运行 OWL-RL 推理，扩展隐含三元组
dl_explain      解释某个推理结论的推导路径
dl_check        一致性检查
classify_el     EL 推理器分类（轻量级，速度极快）

对齐工具

align           两个本体间的类对齐
align_fuzzy     模糊对齐（处理命名不一致）
align_flora     基于 Flora 算法的对齐
eval_alignment  评估对齐质量（精确率/召回率/F1）

生命周期治理

plan            生成本体变更计划
apply           应用已验证的变更计划
lock            锁定本体（防止意外修改）
drift           检测本体偏离基准的程度
enforce         强制执行策略约束
monitor         持续监控本体状态

策略管理（Terraform 风格）

policy_register 注册治理策略
policy_list     列出所有策略
policy_check    检查本体是否违反策略

RAG 增强

segment_retrieve         TBox 切片检索，支持本体驱动的 RAG
graph_projection_lossy_check  图投影损失检查
eval_rag / eval_rag_mmrag    RAG 管道质量评估

Studio 桌面应用

基于 Tauri 2 构建，三进程架构：

Tauri 外壳（原生窗口）
    ↓
Rust 引擎 sidecar（localhost:8080）← 核心计算
    ↕
Node.js Agent sidecar（通过 MCP 连接引擎）← Claude Opus 4.8

AI 聊天面板

两种构建模式：

  • /build：13 步深度构建流程，生成 IES 级别的生产本体
  • /sketch：3 步快速原型，几分钟出初版结构

虚拟化树视图

渲染 1,500+ 类的本体时不卡顿——只渲染当前可见的 DOM 节点，其他节点虚拟化。Protégé 在大型本体上会明显卡顿。

谱系面板

SQLite 支持的完整审计追踪：每一次本体变更都有记录，谁改的、改了什么、什么时候改的。

基准测试

Pizza 本体构建

Pizza 本体是学习本体论的经典练习，包含 99 个类、若干属性和命名比萨的定义。

指标结果
类覆盖95/99（96%）
属性覆盖100%
配料覆盖100%
命名 Pizza100%
构建时间~5 分钟
Protégé 手工~4 小时

OntoAxiom：LLM 公理识别

这个基准测试 LLM 识别本体公理类型的能力，顺便发现了原始论文的一个错误：

方法macro F1micro F1
o1 论文最优（名称列表）—0.197
裸 Claude Opus（名称列表）0.4510.397
Claude + 原始 OWL 文件0.7680.686
MCP 提取（本项目）0.7130.717

原论文报告"原始 OWL 文件比名称列表效果更差"——本项目重新跑后发现这个结论来自评分器不一致导致的伪像，统一评分后结论完全逆转。

OAEI 解剖学赛道对齐（2025）

OAEI 是本体对齐领域最权威的标准评测：

指标结果排名
精确率0.960全场第三
召回率0.730倒数第二
F10.829第 9/13

高精确率低召回率：稳定匹配的都对，但覆盖不够全。

声明一致性检查 vs HermiT

指标Open OntologiesHermiT
中位延迟0.3 µs4,936 µs
吞吐量3.1M 次/秒—
批处理11.2M 次/秒—
与 HermiT 结果分歧0（78,884 对）—

本体市场：33 个标准本体

内置 onto_marketplace 命令，可安装 33 个已验证的标准本体：

# IES 数字孪生框架（英国 NDTP）
onto_marketplace install ies-top   # 基础层，~22 个类
onto_marketplace install ies-core  # 核心层，~131 个类
onto_marketplace install ies       # 完整版，511 个类，206 个属性
 
# Web 标准
onto_marketplace install schema-org  # 1032 个类，OWL-RL 新增 14,236 条三元组
onto_marketplace install foaf
onto_marketplace install skos
onto_marketplace install prov-o
 
# 地理/时间
onto_marketplace install geosparql
onto_marketplace install owl-time
 
# 金融
onto_marketplace install fibo

IES 和英国国家数字孪生计划

IES（Information Exchange Standard）是英国国家数字孪生计划（NDTP）的标准本体框架，用于描述建筑、基础设施、资产的语义信息。

Open Ontologies 对 IES 的支持比 NDTP 官方实现更完整：

指标NDTP/IRISOpen Ontologies
类数量244525
属性34104
EPC 列覆盖18/36（50%）36/36（100%）
4D 模式三元组14129

EPC（能源性能证书）是英国建筑能效评级体系，36 列数据的 100% 覆盖意味着可以直接用于英国建筑数字孪生场景。

接入 MCP 客户端

{
  "mcpServers": {
    "open-ontologies": {
      "command": "/path/to/open-ontologies",
      "args": ["serve"]
    }
  }
}

支持 Claude Code、Claude Desktop、Cursor、Windsurf 及任何兼容 MCP 的工具。

接入后，在 Claude Code 里直接说"帮我构建一个零售领域的本体，包含 Product、Order、Customer 三个核心类"，Agent 调用工具完成构建、验证、推理、导出全流程。

Open Ontologies vs Ontology Playground

维度Open Ontologies（#186）Ontology Playground（#183）
定位生产级工程工具学习和入门工具
出品方The Tesseract Academy（英国）Microsoft
交互方式MCP 服务器，AI Agent 调用浏览器拖拽 UI
核心能力验证、推理、对齐、治理 70+ 工具可视化设计、课程学习
目标格式生产级 OWL，IES 兼容Fabric IQ 兼容 RDF
性能Rust，微秒级推理纯静态 JS
使用场景数字孪生、企业本体工程入门学习、Fabric IQ
Stars3412,300

选择逻辑：

  • 第一次接触本体论，想学会基础概念 → #183 Ontology Playground
  • 已经懂本体，需要用 AI Agent 构建生产本体 → Open Ontologies

项目地址与资源

  • GitHub: fabio-rovai/open-ontologies
  • 论文: arXiv:2605.09184（工具增强本体工程与稳定匹配对齐）
  • 因果论文: arXiv:2605.09168（语言代理的因果干预验证）
  • 出品方: The Tesseract Academy（Kampakis and Co Ltd，英国）

总结

Open Ontologies 解决的问题很具体：本体工程一直有工具链落后于现代 AI 工作流的问题。Protégé 是领域标准工具，功能完整但设计于 AI Agent 还不存在的年代——没有 API、依赖 JVM、不适合程序化集成。

Rust + MCP 的组合把本体工程的全套能力变成 AI Agent 可以直接调用的工具。5 分钟构建 Pizza 本体、OAEI 精确率 0.960、声明一致性 3.1M 次/秒——这些数字表明这不是概念验证，是性能认真对待的工程实现。

和 Ontology Playground 放在一起看，这两个项目共同描述了本体论工具链的两个端点：一个降低入门门槛，一个提升生产上限。

探索 PrimeSkills —— 精选 AI Agent 与技能的市场，每一个都经过真实企业工作流验证，去掉浮夸，留下真正有用的。

欢迎访问我的个人主页，发现更多有价值的见解和有趣的产品。

← 返回博客列表