mcpField
O
ontology-engineer

ontology-engineer

github.com/rade-nugroho数据与数据库1250 次安装23 周前更新
代码仓库

关于 ontology-engineer

面向数据与领域建模工作的 Agent 技能，涵盖 OWL/RDF 本体、SKOS 分类体系、SPARQL 查询和知识图谱。它提供语义建模、图谱构建、验证与推理流程。

主要功能

  1. 01OWL/RDF 本体设计
  2. 02创建 SKOS 分类体系
  3. 03编写 SPARQL 查询
  4. 04构建知识图谱
  5. 05语义推理与验证
  6. 06关联数据建模

适用场景

  1. 01依据能力问题设计领域模型
  2. 02构建并验证知识图谱
  3. 03使用 SPARQL 查询 RDF 数据
  4. 04将源数据映射到本体

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/rade-nugroho/agentic-enteprises-skill --skill ontology-engineer

安装后在 Claude Code 中输入/ontology-engineer确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

references/
knowledge_graphs.md
ontology_design.md
semantic_web.md
tools_frameworks.md

详细介绍

本体工程师

概述

设计本体并构建知识图谱。本技能涵盖 OWL/RDF 本体、SKOS 分类体系、SPARQL 查询、知识图谱构建、语义推理和关联数据模式。

功能

  • OWL/RDF 本体设计：类、属性、限制、公理
  • SKOS 分类体系创建：概念、层级、标签、映射
  • SPARQL 查询：SELECT、CONSTRUCT、ASK、DESCRIBE 模式
  • 知识图谱构建：数据提取、实体消歧、图谱加载
  • 语义推理：基于规则的推断、OWL 推理、一致性检查
  • 关联数据模式：URI、解引用、RDF 序列化、数据发布

用法

  1. 确认用户的本体需求（设计、分类体系、查询或知识图谱）
  2. 按照下方相应的工作流执行
  3. 生成结构化输出：OWL 文件、SKOS 分类体系、SPARQL 查询或知识图谱架构

示例

  • 用户：“为产品设计一个本体” Agent：运行本体设计工作流，定义类（Product、Category、Feature）和属性（hasCategory、hasFeature），生成 OWL 文件

  • 用户：“编写 SPARQL 查询” Agent：运行查询工作流，构建包含图模式、筛选条件和聚合的 SELECT 查询

  • 用户：“构建知识图谱” Agent：运行知识图谱构建工作流，提取实体、消除重复项，并将数据加载到三元组存储中

适用场景

  • 使用能力问题界定领域范围并设计 OWL/RDF 本体
  • 构建知识图谱、进行实体消歧和关联数据集成
  • 编写 SPARQL、Cypher，或构建图验证与推理工作流
  • 选择语义网或属性图工具，并复用公共本体

不适用场景

  • 关系型数据仓库星型模型或批量 ETL → 使用 data-warehouse-engineer
  • 企业数据平台供应商选择或数据网格运营模式 → 使用 data-architect
  • 大模型系统提示词、Agent 或 RAG 编排 → 使用 prompt-engineer
  • 不涉及语义建模的业务需求研讨会 → 使用 business-analyst

核心工作流

1. 本体设计工作流

阶段检查清单：

  1. 范围与能力问题

    • 定义领域边界
    • 编写 5-10 个本体必须回答的能力问题
    • 示例：“哪些药物会与由给定基因编码的蛋白质相互作用？”

  2. 复用评估

    • 搜索现有本体（BioPortal、LOV、OntoBee）
    • 导入并对齐相关的顶层本体（DOLCE、BFO、schema.org）
    • 记录复用决策和映射关系

  3. 概念建模

    • 确定实体（类）、关系（属性）和实例
    • 创建类层级（is-a 关系）
    • 定义对象属性（类之间的关系）和数据属性（特征）

  4. 使用 OWL/RDF 进行形式化

    • 根据推理需求，使用 OWL 2（DL、RL 或 QL 配置文件）进行编码
    • 添加限制（基数、值约束）
    • 定义逆属性、传递属性和对称属性

  5. 验证与推理

    • 使用推理器（HermiT、Pellet、FaCT++）检查一致性
    • 使用 SPARQL 验证能力问题
    • 与领域专家进行评审
2. 知识图谱构建

构建流程：

  1. 确定数据源

    • 结构化：关系数据库、API、CSV
    • 半结构化：JSON、XML、日志
    • 非结构化：文本、文档、图像

  2. 架构/本体对齐

    • 将源架构映射到本体
    • 处理属性映射、单位转换和 URI 生成

  3. 实体提取与消歧

    • 从非结构化数据源中提取实体（NER、RE）
    • 消除重复项：“IBM” = “International Business Machines” = “IBM Corp.”
    • 链接到外部标识符（Wikidata、DBpedia、ORCID）

  4. 图谱填充

    • 转换为 RDF 三元组或属性图格式
    • 加载到三元组存储或图数据库中
    • 验证图谱的完整性和质量
3. 查询与检索

根据存储类型选择查询语言：

存储类型查询语言使用场景
RDF 三元组存储SPARQL语义网、OWL 推理、关联数据
带标签的属性图CypherNeo4j、模式匹配、路径查询
GraphQLGraphQL+API 层图查询
GremlinGremlin遍历密集型、多模型图
4. 验证与推理

推理任务：

  • 一致性检查：不存在相互矛盾的类断言
  • 分类：推断子类层级
  • 属性蕴含：推断传递、逆向、对称关系
  • 实例检查：验证类型断言

验证清单：

  • 本体保持一致（不存在不可满足的类）
  • 所有能力问题都能通过查询回答
  • 不存在孤立的类或属性
  • URI 可解引用或可解析
  • 如有需要，提供多种语言的标签和描述

评论

支持 Markdown