面向企业 AI 的可运行本体智能平台
AI 自动构建 · 业务语义建模 · 数据接地 · 逻辑行动 · Agent 运行
一图 · 一体 · 一闭环
业务成图 · 能力入体 · 智能成环
元枢（Yuanshu Ontology）是一个开源的企业级可运行本体平台。
它将企业分散在数据库、文档、业务规则、算法模型和系统接口中的业务知识，组织为统一的对象、关系、状态、事件、逻辑和行动，形成可被业务人员、应用系统和 AI Agent 共同理解与调用的企业业务语义。
元枢不仅用于“描述业务世界”，还进一步连接真实数据、承载业务逻辑和模型、定义可执行动作，并通过 MCP、SDK、Agent 与智能流程对外提供能力，使本体成为企业 AI 的运行时业务上下文。
与传统从空白画布开始的人工建模方式不同，元枢将 AI 引入本体生产过程，通过文档理解、数据资产分析、语义抽取、关系发现、规则识别和智能映射，辅助完成从业务知识到可运行本体的构建。
从企业数据与知识出发，自动构建业务语义，并让语义真正进入运行。
业务语义地图
统一描述企业业务世界中的：
- 对象
- 属性
- 关系
- 状态
- 事件
- 证据
让业务人员、应用系统与 AI 使用同一套业务语义。
可运行本体
在统一业务语义之上进一步组织：
- 事实
- 规则
- 函数
- 模型
- 行动
- 治理
让业务语义从“可以理解”进一步变成“可以运行”。
本体智能闭环
贯通：
- 智能构建
- 数据接地
- 本体服务
- 业务执行
- 结果回写
- 持续演化
让本体从一次性模型变成持续演进的企业智能资产。
业务成图 · 能力入体 · 智能成环
企业已经拥有大量数据平台、业务系统、规则、模型和知识库，但这些资产通常以不同形式存在：
- 数据存在于表、字段和指标中；
- 业务知识存在于制度、文档和专家经验中；
- 业务逻辑存在于 SQL、代码、规则引擎和算法模型中；
- 执行能力存在于 API、工作流和生产系统中；
- AI 面对的却往往只是零散的数据、文本和工具。
当 AI 从问答和辅助分析进一步进入业务判断与执行时，仅有数据访问或 RAG 并不足以稳定描述企业完整的业务上下文。
元枢通过本体把这些能力组织到统一的业务对象之上：
数据 · 文档 · 规则 · 模型 · API
│
▼
┌────────────────────┐
│ 业务语义地图 │
├────────────────────┤
│ Object │
│ Relation │
│ State │
│ Event │
│ Evidence │
└────────────────────┘
│
▼
┌────────────────────┐
│ 可运行本体 │
├────────────────────┤
│ Fact │
│ Logic │
│ Model │
│ Action │
│ Governance │
└────────────────────┘
│
▼
MCP · SDK · Agent
Workflow · API
│
▼
理解 · 判断 · 执行 · 回写
本体因此不只是 Schema，也不是一张静态关系图，而是企业 AI 可以持续使用的业务运行层。
元枢将 AI 作为本体生产过程中的协作者，而不是要求用户完全依赖手工建模。
支持从企业已有数据与知识中辅助识别：
- 业务对象与对象属性
- 对象之间的业务关系
- 状态与业务事件
- 业务规则与约束
- 计算逻辑与模型能力
- 可执行动作
- 术语、证据与治理信息
平台提供多种智能构建入口，包括文档驱动、数据资产驱动、交互式引导和主题域下钻等方式。
整体采用：
AI 生成 + 程序校验 + 人工确认
的协同机制。
业务材料 / 数据资产
│
▼
知识解析与理解
│
▼
候选语义抽取
│
▼
对象 · 属性 · 关系
规则 · 模型 · 行动
│
▼
结构与语义校验
│
▼
专家确认
│
▼
本体模型
AI 负责提高知识发现和建模效率，确定性程序负责结构约束与质量校验，专家负责关键业务语义确认。
元枢不仅建模实体和关系，还围绕真实业务运行组织完整的本体能力。
描述企业业务世界中的实体、事件和业务概念。
支持：
- Object Type
- Attribute
- Unique Identifier
- State
- Event
- Shared Attribute
- Shared Reference
- 分层本体组织
描述对象之间稳定、明确的业务连接。
支持：
- 关系方向
- 关系基数
- 一对一 / 一对多 / 多对多
- 关系约束
- 跨对象引用
- 图遍历
- 关系血缘
把企业中的规则、计算和专家经验转化为可被系统与 Agent 调用的逻辑能力。
支持：
- Expression
- SQL
- Python
- Function 调用
- Function 组合
- 规则与约束
- 模型能力挂载
把系统接口和业务操作封装成与业务对象关联的执行能力。
支持：
- API Call
- SQL Execution
- Function Call
- Custom Script
- Attribute Modification
- Notification
Action 可以与前置条件、权限控制、审批和执行审计结合，使 AI 能够调用企业能力，同时保持明确的执行边界。
治理贯穿本体设计、发布和运行全过程。
包括：
- 责任归属
- 权限控制
- 版本管理
- 审核发布
- 影响分析
- 运行监控
- 审计追溯
- 回滚恢复
本体模型描述业务世界如何被理解，**数据接地（Data Grounding）**负责把这些业务定义连接到企业真实数据。
元枢通过 ObjectBinding 建立业务对象与物理数据之间的映射。
支持：
- Primary 主数据绑定
- Enrichment 补充数据绑定
- Document Evidence 文档证据绑定
- 属性映射建议
- 数据类型兼容检查
- 主键识别
- LLM 辅助映射
- 关系验证
- 数据质量检查
- 数据血缘
物理数据
Database / Table / Document / API
│
▼
Object Binding
│
▼
对象 · 属性 · 关系 · 事件 · 证据
│
▼
本体实例
元枢明确区分：
本体建模负责形成业务语义规范；
数据接地负责将语义规范映射到真实业务事实；
两者协同，但不是同一过程。
完成数据绑定后，元枢可以进一步基于真实数据验证本体与数据之间的连接质量。
验证过程包括：
- 数据源连接与 Schema 检查
- 对象属性实例化验证
- 对象关系与 JOIN 验证
- 数据质量与策略断言
结合数据质量规则、映射置信度和运行探针，减少“模型定义正确、实际数据无法运行”的问题。
发布后的本体不仅可查询，还可以直接承载业务运行能力。
逻辑函数支持：
- Expression
- SQL
- Python
并提供：
- AST 安全校验
- 沙箱执行
- 调用超时
- 调用链追踪
- Function 嵌套调用
- 循环调用检测
同时提供在线工作空间，可直接维护 Logic 与 Action 源码。
平台提供统一的 Action Executor，将不同系统能力抽象为可治理的业务动作。
Action 与本体对象关联，使调用方关注：
“对哪个业务对象执行什么业务动作”
而不是底层：
“调用哪个接口、修改哪张表、更新哪个字段”。
发布后的本体可以作为 AI Agent 的运行时业务上下文。
元枢将：
- 对象
- 属性
- 关系
- 数据映射
- Logic
- Action
- 权限信息
组织为 Agent 可以理解和调用的能力。
内置 MCP Server，通过标准协议向外部 Agent 与 MCP Client 暴露本体能力。
当前提供覆盖以下类别的 MCP Tools：
- 本体查询
- 对象实例查询
- 属性映射查询
- 数据访问
- Logic 执行
- Action 执行
- Python Workspace
支持：
- JSON-RPC 2.0
- Bearer JWT
- API Key
- 调用日志
- 调用统计
元枢可以根据已经发布的本体自动生成：
- TypeScript SDK
- Python SDK
业务应用可以直接围绕对象语义进行开发，而无需将物理表结构传播到上层应用。
内置 Agent Runtime，可以基于本体上下文完成：
理解意图
↓
查询本体
↓
获取业务事实
↓
调用 Logic
↓
执行 Action
↓
生成结果
Agent 工具调用过程支持流式追踪与调用链展示。
对于需要多步骤协同的业务任务，元枢提供可视化流程编排能力。
支持：
- DAG 执行
- 条件分支
- 并行节点
- 子流程
- 跨节点数据映射
- Logic 调用
- Action 调用
- Agent 节点
- 定时触发
- 事件触发
- Webhook
本体负责提供统一的业务对象与能力，流程负责组织这些能力如何协同运行。
元枢将本体作为长期维护的企业资产进行管理。
Draft
│
▼
Pending Approval
│
├────► Rejected
│
▼
Published
支持：
- Draft 管理
- 发布审批
- 版本快照
- 版本比较
- 回滚
- Breaking Change 分析
- 依赖检查
- 删除保护
本体、Logic 和 Action 的变更可以被追踪，并分析对已发布能力和上层应用的影响。
元枢提供统一的数据连接器框架。
当前支持：
- MySQL
- PostgreSQL
- SQL Server
- Oracle
- Amazon S3
- MinIO
- OSS / COS / OBS 等 S3 兼容存储
- FTP
- SFTP
- Kafka
- REST API
数据资产统一抽象为：
- Table
- SQL View
- Document
为本体构建和数据接地提供统一的数据入口。
企业本体不仅需要语义统一，也需要保证数据访问和行动执行处于受控状态。
元枢提供：
- RBAC 权限体系
- JWT 身份认证
- API Key 鉴权
- 连接凭据加密
- 敏感字段脱敏
- SQL AST 安全检查
- 表级访问控制
- 参数化查询
- 执行限流
- 操作审计
- 执行审计
- 服务健康监控
- LLM 调用统计
权限、执行与审计贯穿数据、本体、Logic、Action 和 Agent 调用链。
元枢覆盖从业务知识进入平台，到本体进入 AI 与业务运行的完整生命周期。
知识与数据
│
▼
AI 智能构建
│
▼
本体建模
│
▼
数据接地
│
▼
验证与发布
│
▼
本体服务
│
▼
Logic / Action / Agent
│
▼
业务回写
│
▼
运行反馈 ──────────────► 持续演化
│
▲ │
└───────────────────────┘
这也是元枢的核心技术路线：
业务成图 · 能力入体 · 智能成环
┌───────────────────────────────────────────────────────────────┐
│ AI & Applications │
│ │
│ Agent | Workflow | Copilot | Business App │
├───────────────────────────────────────────────────────────────┤
│ Ontology Services │
│ │
│ MCP Server | Ontology API | TypeScript SDK | Python SDK │
├───────────────────────────────────────────────────────────────┤
│ Runtime Layer │
│ │
│ Logic | Function | Model | Action | Event │
├───────────────────────────────────────────────────────────────┤
│ Ontology Core │
│ │
│ Object | Attribute | Relation | State | Event │
│ Logic | Action | Governance │
├───────────────────────────────────────────────────────────────┤
│ Data Grounding │
│ │
│ ObjectBinding | Mapping | Validation | Quality | Lineage │
├───────────────────────────────────────────────────────────────┤
│ Data Sources │
│ │
│ Database | Warehouse | Document | Object Storage │
│ Kafka | API │
└───────────────────────────────────────────────────────────────┘
Permission | Version | Approval | Audit | Monitor
Governance across all layers
元枢在设计上区分两类问题：
例如：
- 理解业务文档
- 发现候选业务对象
- 补全属性
- 识别关系
- 抽取规则
- 生成映射建议
- 生成 Logic / Skill
这些环节充分利用大模型的语义理解能力。
例如：
- Schema 校验
- 数据类型校验
- 主键检查
- JOIN 验证
- 权限检查
- SQL 安全检查
- Action 执行
- 发布审批
- 版本快照
- 审计记录
这些环节由确定性程序和治理机制负责。
因此元枢的 AI 原则不是：
让 LLM 决定一切
而是：
让 AI 负责理解和生成，让程序负责验证和执行，让人在关键节点做最终确认。
元枢的核心定位是可运行企业本体平台，同时支持与标准本体和外部工具之间的数据交换。
当前支持包括：
- OWL/XML
- RDF/XML
- Turtle
- JSON
- Excel
并提供：
- 平台原生可视化建模
- Protégé 风格编辑界面
- WebVOWL 可视化
- 术语视图
这些能力用于模型交换、已有本体迁移和专业本体工程协作，而不是限定元枢的本体运行模型。
- Python 3.11+
- Node.js 18+
- npm
git clone https://github.com/fuyuxiang/ontology.git
cd ontology在项目根目录创建 .env：
# Metadata database
DATABASE_URL=sqlite:///./ontology.db
# MySQL example
# DATABASE_URL=mysql+pymysql://user:pass@host:3306/ontology?charset=utf8mb4
# LLM - OpenAI compatible API
LLM_BASE_URL=https://your-llm-endpoint/v1
LLM_API_KEY=your-api-key
LLM_MODEL=your-model-name
# Required
SECRET_KEY=replace-with-strong-random-string
# Optional
CREDENTIAL_ENCRYPTION_KEY=
ADMIN_INITIAL_PASSWORD=
CORS_ORIGINS=http://localhost:5177Linux / macOS：
./start.shWindows：
.\start.bat启动后：
| Service | Address |
|---|---|
| Web UI | http://localhost:5177 |
| API | http://localhost:8001 |
| API Docs | http://localhost:8001/docs |
| MCP Server | http://localhost:8001/api/v1/mcp |
| Code Server | http://localhost:8443 |
首次启动会自动初始化数据库并创建管理员账户。
生产环境请配置高强度
SECRET_KEY、CREDENTIAL_ENCRYPTION_KEY和管理员密码，并限制 Code Server、CORS 与 MCP 的访问范围。
停止服务：
./stop.shcd backend
pip install -r requirements.txt
uvicorn app.main:app \
--host 0.0.0.0 \
--port 8001 \
--reloadcd frontend
npm install
npm run dev| Layer | Technology |
|---|---|
| Frontend | Vue 3 · TypeScript · Vite · Pinia · Ant Design Vue |
| Visualization | Vue Flow · d3-force · ECharts |
| Backend | FastAPI · Uvicorn · SQLAlchemy · Pydantic · Alembic |
| Metadata DB | SQLite · MySQL |
| AI / LLM | OpenAI-compatible API · Function Calling · ReAct |
| Agent Protocol | MCP · JSON-RPC 2.0 |
| SQL | sqlglot |
| Documents | python-docx · pdfplumber · openpyxl · pandas |
| Runtime Workspace | code-server |
| Auth | JWT · bcrypt · RBAC |
| Realtime | SSE · WebSocket |
ontology/
│
├── backend/
│ └── app/
│ ├── api/
│ │ └── v1/
│ │ ├── entities.py
│ │ ├── relations.py
│ │ ├── builder.py
│ │ ├── ai_ontology.py
│ │ ├── ai_builder_v2.py
│ │ ├── doc_builder.py
│ │ ├── ontology_publish.py
│ │ ├── impact_analysis.py
│ │ ├── mcp.py
│ │ ├── osdk.py
│ │ └── data_plane/
│ │
│ ├── connectors/
│ ├── models/
│ │
│ └── services/
│ ├── agent/
│ ├── aip/
│ ├── builder/
│ ├── data_plane/
│ ├── function_runtime/
│ ├── action_executors/
│ └── mcp_tools/
│
├── frontend/
│ └── src/
│ ├── views/
│ │ ├── builder/
│ │ ├── ontology/
│ │ ├── dataflow/
│ │ ├── agents/
│ │ └── aip/
│ │
│ ├── components/
│ ├── utils/
│ ├── store/
│ └── api/
│
├── workspace/
│
├── code-server/
│
├── docs/
│
└── tools/
元枢遵循几个核心原则。
上层应用和 AI 应围绕稳定的业务对象工作，而不是直接依赖底层表和字段。
AI 用于理解、发现和生成；确定性程序负责校验、执行和治理。
本体不是建模结束后的静态文档，而是应用、Agent 和业务流程共同使用的运行时业务上下文。
对象、关系、Logic、Action、数据访问和 Agent 执行都应拥有明确的权限、版本和审计边界。
统一业务语义和能力应能够被多个 Agent、流程和业务应用持续复用，而不是随场景重复建设。
欢迎参与元枢的建设。
我们尤其欢迎以下方向的贡献：
- AI Ontology Building
- Ontology Modeling
- Data Grounding
- Data Connectors
- Logic Runtime
- Action Runtime
- MCP Tools
- Agent Runtime
- Workflow
- Visualization
- Governance & Security
贡献流程：
-
Fork 本仓库
-
创建功能分支
git checkout -b feature/amazing-feature
-
提交代码
-
推送分支
git push origin feature/amazing-feature
-
创建 Pull Request
对于较大的功能设计，建议先通过 Issue 讨论设计方案。
如果你：
- 正在研究企业本体与 AI Agent；
- 希望完善自动化本体构建能力；
- 正在建设新的数据连接器；
- 希望贡献新的 Logic / Action / MCP Tool；
- 对企业语义建模、知识工程或 Agent Runtime 感兴趣；
欢迎通过 GitHub Issues 与 Pull Requests 参与讨论和建设。