企业官网建设流程全解析

前面我们聊了 Graphiti、Ontop、TrustGraph，它们都比较偏上层系统。
这次我想往下走一层，聊一个更“开发者视角”的项目：Owlready2。

项目地址：

https://github.com/pwin/owlready2

官方文档：

https://owlready2.readthedocs.io/

一、为什么我想专门写 Owlready2？

前面几篇，我们讨论的更多是：

Graphiti ↓ Agent Memory Ontop ↓ Virtual Knowledge Graph TrustGraph ↓ Context Layer

这些系统都已经站在比较高的一层。

但如果你真正想把 Ontology 做进自己的程序里，就会马上遇到一个问题：

本体到底怎么用代码创建？

很多人第一次接触 Ontology，会先看到：

Protégé OWL RDF SPARQL

然后发现：

怎么感觉全是学术工具？

而 Owlready2 给了我一个非常工程化的答案：

Python + Ontology

官方把 Owlready2 定义为一个面向 Python 的Ontology-Oriented Programming工具，可以加载、修改、保存 OWL 2.0 本体，并把其中的 Class、Instance 和 Property 当成 Python 对象来操作；它还集成了 HermiT 推理器，并内置基于 SQLite3 的优化 quadstore。

这也是为什么我觉得它非常适合今天重新拿出来讲。

二、什么叫 Ontology-Oriented Programming？

我们熟悉：

Object-Oriented Programming

也就是：

面向对象编程

例如 Python：

classUser:pass

然后：

user=User()

但是 Owlready2 提出的思路是：

Ontology-Oriented Programming

可以简单理解成：

把 Ontology 里面的 Class、Individual、Property，直接映射成 Python 代码。

例如：

Ontology 世界： Person ↓ Developer

在 Python 里：

fromowlready2import*onto=get_ontology("http://example.org/dev.owl")withonto:classPerson(Thing):passclassDeveloper(Person):pass

看起来是不是非常像普通 Python Class？

这就是 Owlready2 最舒服的地方。

三、我怎么看这件事情？

从我的角度来说，我以前做后端开发时，最熟悉的是：

数据库表 ↓ ORM ↓ Python / Go Object

比如：

MySQL ↓ GORM ↓ Go Struct

或者：

PostgreSQL ↓ SQLAlchemy ↓ Python Object

其实 Owlready2 给我的感觉有点类似：

OWL Ontology ↓ Owlready2 ↓ Python Object

当然二者不是同一个概念。

但从开发体验上来看，它们解决的是类似的问题：

让开发者不用一直面对底层格式，而是直接操作对象。

我觉得这是 Owlready2 最重要的价值之一。

四、先安装 Owlready2

安装非常简单：

pipinstallowlready2

官方文档目前仍然推荐通过 pip 直接安装。

然后：

fromowlready2import*

就可以开始。

五、创建第一个 Ontology

先创建一个本体：

fromowlready2import*onto=get_ontology("http://javapub.net.cn/ontology/ai.owl")

这里：

http://javapub.net.cn/ontology/ai.owl

叫：

IRI

可以简单理解成：

Ontology 在语义世界里的唯一标识。

官方文档中，get_ontology()就是创建或获取 Ontology 的核心入口，IRI 同时也会用于构造其中实体的完整标识。

六、创建 Class

比如我们要建立一个 AI 开发领域的 Ontology。

可以定义：

withonto:classPerson(Thing):passclassDeveloper(Person):passclassCompany(Thing):passclassProject(Thing):pass

形成：

Thing ├── Person │ └── Developer ├── Company └── Project

这里：

Developer is-a Person

也就是说：

Developer ↓ Person

这是 Ontology 里非常核心的：

Class Hierarchy

七、创建 Individual

Class 是类型。

Individual 就是具体实例。

比如：

shiyu=Developer("wang_shiyu")javapub=Company("javapub")project_a=Project("ontology_project")

形成：

Developer | ↓ 王仕宇

以及：

Company | ↓ JavaPub

官方文档中 Individual 的创建方式和普通 Python Object 很接近，本质就是实例化 Ontology Class。

八、Property 才是 Ontology 真正开始有意思的地方

只有：

Person Company Project

其实还只是分类。

真正让世界产生结构的是：

Property

比如：

Developer ↓ worksFor ↓ Company

可以这样写：

withonto:classworks_for(ObjectProperty):domain=[Developer]range=[Company]

然后：

shiyu.works_for=[javapub]

现在：

王仕宇 | | worksFor ↓ JavaPub

就建立起来了。

九、ObjectProperty 和 DataProperty

Ontology 里面有两个非常重要的 Property。

ObjectProperty

连接：

实体 ↓ 实体

例如：

Developer ↓ worksFor ↓ Company

代码：

classworks_for(ObjectProperty):domain=[Developer]range=[Company]

DataProperty

连接：

实体 ↓ 普通数据

例如：

Person ↓ age ↓ 30

可以：

withonto:classage(DataProperty):domain=[Person]range=[int]

然后：

shiyu.age=[30]

形成：

王仕宇 ↓ age ↓ 30

十、如果从后端开发的角度理解

我觉得可以这样记：

数据库：

Table Column Foreign Key

Ontology：

Class Property Relationship

例如数据库：

users------id name company_id

后端开发者看到：

company_id

Ontology 看到：

User ↓ worksFor ↓ Company

数据库强调：

数据怎么存。

Ontology 强调：

这件事情到底是什么意思。

这就是二者最大的区别。

十一、保存 Ontology

创建完成后：

onto.save(file="ai.owl",format="rdfxml")

就可以保存。

然后生成：

ai.owl

这个文件可以：

Owlready2 ↓ Protégé ↓ 其他 OWL 工具

继续使用。

Owlready2 官方支持加载和保存 OWL，本身就是为了让 Python 程序能够透明访问本体，而不只是生成一个孤立的数据结构。

十二、加载已有 Ontology

如果别人已经做好：

ecommerce.owl

我们也可以直接：

onto=get_ontology("file://ecommerce.owl").load()

然后：

print(list(onto.classes()))

得到：

Customer Order Product Supplier Payment

再：

print(list(onto.individuals()))

查看所有实例。

十三、Owlready2 最厉害的地方之一：Reasoning

这也是 Ontology 和普通数据库特别不一样的地方。

数据库通常只保存：

已知数据

Ontology 可以：

根据规则推导新知识

这叫：

Reasoning

Owlready2 可以调用 HermiT Reasoner 进行自动分类和推理。

例如：

Developer is-a Person

以及：

王仕宇 is-a Developer

推理器可以得到：

王仕宇 is-a Person

虽然你没有显式写出来。

十四、再举一个更有意思的例子

我们定义：

AIEngineer = Developer AND uses some AIModel

如果：

王仕宇 ↓ uses ↓ GPT

同时：

王仕宇 ↓ is-a ↓ Developer

Reasoner 可能推断：

王仕宇 ↓ is-a ↓ AIEngineer

这和：

if else

不太一样。

它更接近：

根据语义规则推导事实。

十五、调用 Reasoner

例如：

withonto:sync_reasoner()

然后查看：

print(shiyu.is_a)

推理器可能会加入新的分类结果。

这就是：

Explicit Knowledge + Reasoning = Implicit Knowledge

十六、我为什么觉得这个能力对 AI Agent 很重要？

大模型擅长：

模糊推理 自然语言理解 概率判断

Ontology Reasoner 擅长：

确定性规则 类型约束 逻辑一致性

所以我越来越觉得：

未来 Agent 不一定只是：

LLM

而可能是：

LLM + Ontology + Reasoner

比如：

用户是 VIP VIP 可以使用高级模型 高级模型禁止匿名用户使用

这种规则：

完全可以通过结构化语义进行判断。

而不是每次都让 LLM：

猜。

十七、Owlready2 + SPARQL

Owlready2 也支持 SPARQL 查询，而且官方文档现在包含自己的 Native SPARQL Engine，以及和 RDFLib 配合的查询方式。

例如：

results=list(default_world.sparql(""" SELECT ?x WHERE { ?x rdf:type <http://example.org/Developer> } """))

这时候：

Python ↓ SPARQL ↓ Ontology

就连接起来了。

十八、为什么既要 Python，又要 SPARQL？

Python 更适合：

业务逻辑 API 自动化 Agent

SPARQL 更适合：

图查询 关系查询 语义查询

两者结合：

FastAPI ↓ Python Service ↓ Owlready2 ↓ SPARQL ↓ Ontology

就可以直接做一个：

Ontology API Server

十九、甚至可以自己做一个 Ontology Service

比如：

POST /ontology/entities

创建实体。

GET /ontology/query

查询。

POST /ontology/reason

推理。

整体：

AI Agent ↓ FastAPI ↓ Owlready2 / \ ↓ ↓ SPARQL Reasoner \ / ↓ Ontology

这已经非常像一个：

Semantic Backend

二十、Owlready2 自带 Quadstore

Owlready2 并不是每次都在内存里处理所有东西。

它内部有自己的：

Triple Store / Quadstore

而且使用：

SQLite3

作为底层存储。

官方文档明确说明 Owlready2 Version 2 包含一个针对性能和内存优化的 SQLite3 quadstore，因此可以处理比第一代更大的 Ontology。

这意味着：

Python Object

背后其实还有：

Graph Storage

二十一、什么叫 Triple？

知识图谱最基础的结构：

Subject Predicate Object

比如：

王仕宇 ↓ worksFor ↓ JavaPub

可以写成：

Subject: 王仕宇 Predicate: worksFor Object: JavaPub

这就是：

Triple

二十二、什么叫 Quad？

Quad：

Subject Predicate Object Graph

比 Triple 多：

Graph

例如：

王仕宇 worksFor JavaPub AI-Business-Graph

这样可以把：

不同 Ontology 不同 Dataset 不同 Context

区分开。

二十三、Owlready2 + LLM，我觉得才是真正有意思的方向

到这里，其实 Owlready2 本身已经是一个比较成熟的 Ontology 工具。

但是如果只是：

手写 Class

我觉得没有那么有意思。

真正有意思的是：

LLM + Owlready2

例如：

用户上传数据库 Schema

AI：

理解表 ↓ 识别业务概念 ↓ 生成 Ontology ↓ Owlready2 写入 OWL

架构：

Database Schema ↓ LLM ↓ Concept Extraction ↓ Relationship Extraction ↓ Owlready2 ↓ OWL Ontology

二十四、举一个实际例子

数据库：

CREATETABLEusers(idBIGINT,nameVARCHAR(100));CREATETABLEorders(idBIGINT,user_idBIGINT);

LLM 分析：

users ↓ User orders ↓ Order

关系：

User ↓ places ↓ Order

然后自动生成：

withonto:classUser(Thing):passclassOrder(Thing):passclassplaces(ObjectProperty):domain=[User]range=[Order]

最后保存：

business.owl

这已经是：

AI 自动生成 Ontology

二十五、再进一步：从文档生成 Ontology

比如输入：

公司客户购买产品后， 订单由销售负责跟进， 产品由供应商提供。

LLM 提取：

Customer Product Order Salesperson Supplier

关系：

Customer ↓ purchases Product Salesperson ↓ manages Order Supplier ↓ supplies Product

Owlready2：

创建 Class ↓ 创建 Property ↓ 保存 OWL

最终：

自然语言 ↓ Ontology

我觉得这个方向非常值得做。

二十六、从我的角度，我会怎么使用 Owlready2？

如果让我现在用 Owlready2 做一个真实项目，我不会先做一个：

Ontology 编辑器

因为 Protégé 已经很好用了。

我更倾向做：

AI Ontology Generator

也就是：

PDF Database Schema API Schema Business Document ↓ LLM ↓ Ontology Extraction ↓ Owlready2 ↓ OWL

然后再：

OWL ↓ GraphRAG ↓ AI Agent

这个路线我觉得更有现实价值。

二十七、Owlready2 + Graphiti

前面我们讲：

Graphiti

主要解决：

Temporal Knowledge Graph

也就是：

世界怎么变化。

而 Owlready2 可以负责：

Ontology

也就是：

世界应该是什么结构。

组合：

Owlready2 ↓ Ontology ↓ Graphiti ↓ Temporal Knowledge Graph ↓ Agent Memory

这两个其实可以很好地分工。

二十八、Owlready2 + Ontop

Ontop：

Database ↓ Virtual Knowledge Graph

Owlready2：

Python ↓ Ontology

于是可以：

Database Schema ↓ LLM ↓ Owlready2 ↓ Ontology ↓ Ontop ↓ Virtual Knowledge Graph ↓ SPARQL

也就是说：

Owlready2 甚至可以成为：

Ontology Generation Layer

二十九、Owlready2 + TrustGraph

TrustGraph：

Documents Database API ↓ Context Graph

如果前面加：

Owlready2

可以先定义：

Domain Ontology

然后：

Owlready2 ↓ Ontology ↓ TrustGraph ↓ Ontology RAG ↓ Context Graph ↓ Agent

这样 TrustGraph 在抽取实体时，就不是：

随便抽

而是：

按照业务 Ontology 抽。

三十、这几个项目其实已经可以串起来了

我们现在已经讲了：

Owlready2 Ontop TrustGraph Graphiti

可以组合：

LLM ↓ Owlready2 ↓ Ontology ┌──────────┼──────────┐ ↓ ↓ Ontop TrustGraph ↓ ↓ Enterprise DB Context Graph ↓ Graphiti ↓ Agent Memory ↓ AI Agent

我觉得这张图已经非常接近：

Ontology-driven Agent Architecture

三十一、为什么我越来越关注 Ontology？

从我自己的角度来说，我以前做后端时，关注的是：

API Database Redis MQ Docker K8s

这些东西解决的是：

系统怎么运行。

进入 AI Agent 之后，我发现出现了一个新的问题：

AI 到底怎么理解系统？

数据库 Schema：

告诉程序怎么存数据。

API：

告诉程序怎么调用能力。

但是还缺一个东西：

告诉 AI： 这个业务世界是什么。

我觉得这可能正是：

Ontology

重新变得重要的原因。

三十二、数据库 Schema 和 Ontology 的本质区别

数据库：

users orders products

描述：

数据结构

Ontology：

Customer places Order contains Product

描述：

世界结构

我觉得这句话非常值得记住：

数据库 Schema 描述数据怎么存，Ontology 描述世界怎么理解。

三十三、未来 AI Agent 很可能需要两套 Schema

第一套：

Technical Schema

比如：

Database Schema API Schema JSON Schema

第二套：

Semantic Schema

比如：

Ontology

于是：

AI Agent | ↓ Semantic Schema | ↓ Business World | ↓ Technical Schema | ↓ Database / API

我认为这是未来 Agent 架构非常值得研究的一层。

三十四、Owlready2 的优点

1. Python 生态

这是最大优势。

可以非常方便接：

FastAPI LLM LangChain LlamaIndex Agent

2. OWL 支持

它不是自己发明一个图格式。

直接使用：

OWL 2.0

3. Reasoner

可以：

自动分类 逻辑推理 一致性检查

4. SPARQL

可以做真正的：

Semantic Query

5. 和 Python Object 很接近

开发者上手成本比较低。

三十五、它的缺点也很明显

Owlready2 并不是一个：

完整企业知识图谱平台

它更像：

Ontology Programming Library

如果你需要：

亿级 Graph 分布式存储 高并发查询 复杂图分析

那肯定需要：

Neo4j GraphDB 其他图数据库

Owlready2 更适合：

Ontology Modeling Reasoning Python Integration Prototype AI Ontology Pipeline

三十六、我最推荐的学习方式

如果第一次学，我建议不要一上来研究：

Description Logic

也不要先背：

OWL 规范

直接做一个：

电商 Ontology

比如：

Customer Order Product Supplier

关系：

Customer ↓ places Order Order ↓ contains Product Supplier ↓ supplies Product

然后用 Owlready2 写出来。

真正跑起来之后，再理解：

Class Individual ObjectProperty DataProperty Reasoner SPARQL

会快很多。

三十七、总结

一句话总结 Owlready2：

Owlready2 是一个 Python Ontology 编程框架，它让开发者能够像操作 Python 对象一样创建、修改、查询和推理 OWL Ontology。

如果：

Protégé

更像：

Ontology IDE

那么：

Owlready2

更像：

Ontology SDK

它最大的价值不是：

再做一个知识图谱

而是让：

Ontology

真正进入：

Python AI Agent Automation

这一套工程体系里。

我现在更关注的一条路线是：

Business Data ↓ LLM ↓ Ontology Generation ↓ Owlready2 ↓ OWL Ontology ↓ GraphRAG / TrustGraph / Ontop ↓ Agent ↓ Reasoning & Action

如果未来 Agent 不只是：

会聊天

而是真正需要：

理解业务 理解关系 理解规则 理解世界

那 Ontology 很可能会重新成为 AI 基础设施里非常重要的一层。

而 Owlready2，可能就是 Python 开发者进入这一层最简单、最直接的入口之一。

项目地址

Owlready2：

https://github.com/pwin/owlready2

官方文档：

https://owlready2.readthedocs.io/

王仕宇 JavaPub

https://javapub.net.cn/