
最近我一直在关注一个词：**Ontology，本体。**

很多人第一次看到“本体”这个词，会觉得它很学术，甚至有点抽象。

但如果你把它放到 AI、知识图谱、Agent 这些技术里，就会发现它其实非常重要。

![ChatGPT_Image_2026年8月20日_10_29_00.png](https://developer.qcloudimg.com/http-save/yehe-2686511/67cebbaf0d19f1ac96d3d809624b7870.png)

简单来说，本体解决的是一个问题：

> **一个领域里到底有哪些东西，这些东西之间是什么关系。**

比如一个电商系统里，有用户、订单、商品、支付、物流。

它们之间可能是这样的：

```text
User
 ├── owns → Order
 ├── belongsTo → Organization
 └── hasPermission → Role

Order
 ├── contains → Product
 ├── paidBy → Payment
 └── deliveredBy → Logistics
```

这其实就是一个非常简单的“业务世界模型”。

以前，本体更多出现在 Semantic Web、知识图谱这些领域。

但到了 AI Agent 时代，我觉得它可能会重新变得非常重要。

因为现在最大的问题已经不是“大模型会不会说话”，而是：

**怎么让 AI 真正理解一个业务世界。**

这篇文章就整理一些目前比较值得关注的本体相关开源项目。

---

## 1. Protégé：本体领域最经典的工具

项目：

```text
https://github.com/protegeproject/protege
```

Protégé 基本算是本体领域绕不开的工具。

它是斯坦福开发的一套开源 Ontology 编辑器，可以用来创建和维护：

* Class
* Individual
* Object Property
* Data Property
* OWL
* RDF

你可以把它理解成：

> **本体领域的 IDE。**

如果你是第一次接触 Ontology，我觉得可以先打开 Protégé 玩一下。

比如定义：

```text
Person
Developer
Company
Project
```

然后继续定义：

```text
Developer isA Person

Developer worksFor Company

Developer develops Project
```

这样，一个最简单的 Ontology 就出来了。

---

## 2. OWL API：Java 操作本体

项目：

```text
https://github.com/owlcs/owlapi
```

如果说 Protégé 是一个 GUI 工具，那么 OWL API 就属于开发者工具。

它是一套 Java API，可以直接通过代码创建、读取、修改 OWL Ontology。

例如你的程序可以自动创建：

```text
Class: User
Class: Order
Class: Product
```

然后添加关系：

```text
User → create → Order
Order → contains → Product
```

对于 Java 开发者来说，这个项目非常值得研究。

未来如果要做：

```text
LLM
 ↓
自动识别业务模型
 ↓
OWL API
 ↓
生成 Ontology
```

OWL API 就可以成为底层基础设施。

---

## 3. Apache Jena：Java 知识图谱老牌框架

项目：

```text
https://github.com/apache/jena
```

Apache Jena 也是 Semantic Web 领域非常经典的项目。

它支持：

```text
RDF
RDFS
OWL
SPARQL
```

同时还提供自己的 RDF 数据存储。

如果你想自己做一个类似：

```text
Ontology Server
Knowledge Graph Server
Semantic Query Server
```

这样的系统，Jena 非常值得研究。

比如：

```text
Agent
 ↓
SPARQL
 ↓
Apache Jena
 ↓
Knowledge Graph
```

这条链路完全可以直接跑起来。

---

## 4. Owlready2：Python 玩本体非常舒服

项目：

```text
https://github.com/pwin/owlready2
```

这个项目我个人非常推荐。

原因很简单：

**Python。**

Owlready2 可以直接把 OWL Ontology 映射成 Python Object。

例如：

```python
from owlready2 import *

onto = get_ontology("http://example.org/ontology.owl")

with onto:

    class Person(Thing):
        pass

    class Developer(Person):
        pass

    class works_for(ObjectProperty):
        domain = [Developer]
```

对于现在的 AI 项目来说，Python 生态明显更方便。

因此非常容易做成：

```text
LLM
 ↓
Python
 ↓
Owlready2
 ↓
Ontology
```

比如让 AI 自动分析一个数据库 Schema，然后自动生成 Ontology。

这个方向我觉得非常有意思。

---

## 5. pySHACL：给 AI 生成的本体加规则

项目：

```text
https://github.com/RDFLib/pySHACL
```

SHACL 是一个很重要但经常被忽略的东西。

它主要负责：

> **验证知识图谱中的数据是不是符合规则。**

例如你可以规定：

```text
User 必须有 name

Employee 必须属于 Company

Order 必须有 amount

age 必须是 Integer
```

然后运行 SHACL Validator 检查数据。

这件事情在 AI 时代特别重要。

因为未来很可能是：

```text
文档
 ↓
LLM
 ↓
自动抽取实体
 ↓
自动生成关系
 ↓
Knowledge Graph
```

但是 LLM 会犯错。

所以需要：

```text
LLM 生成
 ↓
SHACL 验证
 ↓
修复
 ↓
入库
```

这其实就是一种非常典型的 AI 数据治理流程。

---

## 6. Ontop：让数据库直接变成知识图谱

项目：

```text
https://github.com/ontop/ontop
```

Ontop 是我觉得非常值得后端工程师关注的项目。

它提出的是：

**Virtual Knowledge Graph。**

什么意思？

正常做知识图谱，你可能需要：

```text
MySQL
 ↓
ETL
 ↓
RDF
 ↓
Graph Database
```

但是 Ontop 不一定要求你搬数据。

它可以变成：

```text
MySQL / PostgreSQL
 ↓
Mapping
 ↓
Ontology
 ↓
SPARQL
```

也就是说：

**数据库还是数据库。**

但是上层看起来已经变成一个知识图谱了。

这个思路特别适合企业场景。

因为很多企业的数据本来就在：

```text
MySQL
PostgreSQL
Oracle
SQL Server
```

不可能为了做 AI，就把所有业务数据重新复制一遍。

因此未来完全可能是：

```text
企业数据库
 ↓
Ontology Mapping
 ↓
Virtual Knowledge Graph
 ↓
Agent
```

---

## 7. OntoEKG：让 LLM 自动生成企业知识图谱

项目：

```text
https://github.com/LiberAI/OntoEKG
```

这个项目已经开始进入比较新的方向了。

它研究的是：

> **使用 LLM 从企业非结构化数据里构建 Ontology 和 Knowledge Graph。**

比如企业里有很多：

```text
PDF
Word
Wiki
产品文档
技术文档
制度
合同
```

以前做知识图谱，需要人工定义大量实体和关系。

现在可以变成：

```text
企业文档
 ↓
LLM
 ↓
Concept Extraction
 ↓
Relation Extraction
 ↓
Ontology
 ↓
Knowledge Graph
```

这也是我觉得 LLM 真正能够推动 Ontology 普及的地方。

以前做本体：

**人工成本太高。**

现在 AI 可以帮忙做第一版。

---

## 8. LLM4VKG：LLM + Virtual Knowledge Graph

项目：

```text
https://github.com/HomuraT/LLM4VKG
```

这个项目的思路也非常有意思。

它把：

```text
LLM
Ontology
Virtual Knowledge Graph
```

结合到了一起。

其中一个非常现实的问题就是：

**数据库 Schema 怎么映射成 Ontology？**

以前可能需要专家自己写 Mapping。

未来完全可以：

```text
Database Schema
 ↓
LLM
 ↓
理解表结构
 ↓
生成 Ontology
 ↓
生成 Mapping
```

例如：

```sql
user

id
name
company_id
```

AI 自动理解成：

```text
User

User.name

User belongsTo Company
```

再往后，就可以直接做：

```text
自然语言
 ↓
Ontology
 ↓
SPARQL / SQL
 ↓
数据库
```

这其实已经非常接近 Data Agent 了。

---

## 9. OntoRAG：Ontology + RAG

现在绝大多数 RAG，本质上还是：

```text
问题
 ↓
Embedding
 ↓
Vector Search
 ↓
找到几个文本块
 ↓
LLM
```

这个方案很好用，但问题也很明显：

**它不真正理解业务关系。**

例如：

```text
张三是谁的经理？

A 公司有哪些项目？

这个订单对应哪个供应商？
```

这些问题本质上更像 Graph Query。

所以出现了 Ontology-driven RAG 的方向。

架构可能会变成：

```text
Question
 ↓
Ontology
 ↓
Entity Linking
 ↓
Knowledge Graph
 ↓
Document Retrieval
 ↓
LLM
```

这类项目通常也会被叫做：

```text
Ontology RAG
GraphRAG
Knowledge Graph RAG
Semantic RAG
```

我觉得这是未来非常值得关注的一条路线。

---

## 10. TrustGraph：把知识图谱变成 AI 的 Context Layer

项目：

```text
https://github.com/trustgraph-ai/trustgraph
```

TrustGraph 已经不只是传统意义上的知识图谱项目了。

它更想解决的是：

> **怎么给 LLM / Agent 提供长期、结构化、可信的上下文。**

里面会涉及：

```text
Knowledge ingestion

Graph

Vector

RAG

LLM

Agent

Context
```

这些模块。

这其实代表了一个很重要的趋势。

过去：

```text
Knowledge Graph
```

是一个单独的系统。

现在：

```text
Knowledge Graph
 ↓
Agent Context
```

可能会逐渐变成 AI 基础设施的一部分。

---

## 11. Graphiti：给 Agent 做实时知识图谱

项目：

```text
https://github.com/getzep/graphiti
```

Graphiti 最近几年在 Agent 圈子里的关注度比较高。

它主要解决的是：

**Temporal Knowledge Graph。**

也就是：

> 知识不仅有关系，还有时间。

比如：

```text
2024 年
张三在 A 公司

2025 年
张三加入 B 公司
```

如果只是普通知识图谱：

```text
张三 → worksFor → A
张三 → worksFor → B
```

就冲突了。

但是加上时间：

```text
张三
 ↓
2024
A

张三
 ↓
2025
B
```

就合理了。

这对于 Agent Memory 非常重要。

因为 Agent 记住的不应该只是：

**发生过什么。**

还应该知道：

**什么时候发生的。**

---

## 12. PyGraft：自动生成 Ontology 和 Knowledge Graph

项目：

```text
https://github.com/Orange-OpenSource/pygraft-gen
```

PyGraft 是一个比较有意思的工具。

它可以生成：

```text
Ontology
Knowledge Graph
Synthetic Dataset
```

这种项目特别适合做实验。

比如你准备开发一个：

```text
Ontology Agent
```

但是手上没有几十万条知识图谱数据。

就可以用这种工具生成测试数据。

---

# 我更关注 Ontology + AI Agent

如果只是学习传统本体，其实路线已经非常成熟了：

```text
RDF
 ↓
RDFS
 ↓
OWL
 ↓
SPARQL
 ↓
Protégé
 ↓
Reasoner
```

这些东西已经研究很多年。

但现在真正让我感兴趣的是另外一条路线：

```text
Ontology
 ↓
Knowledge Graph
 ↓
GraphRAG
 ↓
Agent Memory
 ↓
Agent Context
 ↓
Agent Reasoning
```

因为大模型本身拥有非常强的语言能力。

现在缺少的反而是：

**业务世界的结构。**

比如我要做一个电商 Agent。

如果什么都不给它，它看到的只是：

```text
100 万条订单

几十万用户

几万个商品

大量文档
```

但是如果有 Ontology：

```text
User
 ↓
Order
 ↓
Product
 ↓
Supplier
 ↓
Logistics
 ↓
Payment
```

Agent 就拥有了一个相对明确的“世界模型”。

它知道：

**什么东西是什么，什么东西和什么东西有关系。**

---

# Ontology 可能会成为 Agent 的业务操作系统

我现在越来越觉得：

未来很多企业 Agent，不会只是：

```text
LLM + RAG
```

而可能变成：

```text
                LLM
                 │
                 ↓
               Agent
                 │
        ┌────────┼────────┐
        ↓        ↓        ↓
      Tools    Memory   Ontology
                          │
                          ↓
                   Knowledge Graph
                          │
                 ┌────────┴────────┐
                 ↓                 ↓
              Database          Documents
```

其中 Ontology 做的事情，就是告诉 AI：

> **这个世界应该怎么被理解。**

数据库负责事实。

文档负责知识。

向量数据库负责搜索。

Knowledge Graph 负责关系。

Ontology 负责定义整个世界的结构。

而 Agent 在这个世界上运行。

---

# 最值得关注的一条路线

如果今天让我重新学习 Ontology，我不会只停留在 Protégé。

我会按照这条路线研究：

```text
OWL / RDF
 ↓
Owlready2 / Jena
 ↓
Knowledge Graph
 ↓
Ontop
 ↓
LLM 自动构建 Ontology
 ↓
GraphRAG
 ↓
Graphiti
 ↓
Agent Memory
 ↓
Ontology-driven Agent
```

我甚至觉得：

**Ontology-driven Agent，很可能会成为一个新的 Agent 技术方向。**

以前我们让 AI：

> “读更多文档。”

现在可能应该进一步让 AI：

> **“理解这个世界。”**

而 Ontology，可能正是连接这两件事情的桥梁。


现在真的是一个很好的时代。

人工智能以前所未有的速度发展，中国又有全世界性价比最高的一批制造业和供应链，再加上发达的互联网、支付和全球物流。

以前很多事情，普通人根本没有机会做。

现在不一样了。

你可以用 AI 写代码、做设计、做内容，可以在中国找到工厂把产品做出来，也可以通过互联网把东西卖到全世界。

很多过去只有大公司才能做的事情，现在一个人或者几个人的小团队，也有机会做。

所以我一直觉得，这几年最重要的不是围观 AI，也不是天天讨论哪个模型更强。

而是想办法真正用起来，做点东西，赚点钱。

时代已经把工具摆在我们面前了，剩下的就是看我们自己怎么用。

我是王仕宇，关注技术，但不只做技术人。


但如果你把它放到 AI、知识图谱、Agent 这些技术里，就会发现它其实非常重要。

本体相关的开源项目有哪些？从 Ontology 到 Knowledge Graph，再到 AI Agent

服务端工程师

人工智能

算法

Ontology（本体）在AI Agent时代正变得至关重要，本文盘点Protégé、OWLAPI、Apache Jena、Owlready2等12个关键开源项目，解析如何利用LLM自动构建知识图谱，实现GraphRAG与Agent Memory，帮助AI真正理解业务世界，走向Ontology-driven Agent新方向。

结构化数据

向量数据库

数据治理

数据存储

知识图谱

代码解释

PostgreSQL

数据库

Python

MySQL

Agent

Java

2026上云采购 | AI焕新·智启新局

coding

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Ontology（本体）在AI Agent时代正变得至关重要，本文盘点Protégé、OWLAPI、Apache Jena、Owlready2等12个关键开源项目，解析如何利用LLM自动构建知识图谱，实现GraphRAG与Agent Memory，帮助AI真正理解业务世界，走向Ontology-driven Agent...

本体相关的开源项目有哪些？从 Ontology 到 Knowledge Graph，再到 AI Agent-腾讯云开发者社区-腾讯云

本体相关的开源项目有哪些？从 Ontology 到 Knowledge Graph，再到 AI Agent

本体相关的开源项目有哪些？从 Ontology 到 Knowledge Graph，再到 AI Agent

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐