JOTO
Contact us
← AI 智库
知识图谱

我把微软的本体学习工具 Ontology-Playground 魔改了

2026 年 9 月 8 日

作者基于微软开源的 Ontology-Playground 进行二次开发,推出中文版增强工具,新增指标层建模、数据源映射、OAG 四阶段可视化(自然语言→本体检索→MQL→SQL)、双语学堂及任务系统,支持本地一键运行,面向 Data Agent 场景强化语义层落地能力。

Ontology-Playground 原版的核心价值

微软开源的 Ontology-Playground 是一个零后端、纯静态的本体学习与建模工具。它提供交互式本体图谱、可视化设计器、70+ 个覆盖零售、金融 FIBO、医疗、制造、教育等领域的官方/社区本体,以及几十篇教程、互动测验和任务闯关,能让新手从理解 RDF 快速进阶到自主建模。

Ontology-Playground 界面截图
Ontology-Playground 主界面

项目地址:microsoft.github.io/Ontology-Playground(GitHub:[2],MIT License)。

二开动因:语言障碍与语义层能力缺失

全英文界面中断学习心流

界面、文章、测验全部为英文。虽非不可读,但每个术语需脑内翻译,导致学习过程中的“心流”频繁中断。

原版本体模型无法支撑 Data Agent 所需语义层

作者定义的本体是三层结构:对象(是什么)→ 指标(怎么算)→ 关系(怎么连),并需落至“谁的表、哪一列”的数据源信息。而 Ontology-Playground 当前仅支持实体 + 属性 + 关系,存在三处关键缺失:

  • ❌ 没有独立的指标层:下单金额、客单价等口径定义、计算逻辑、可切分维度无法表达;
  • ❌ 没有数据源表信息:业务属性到物理列、DWD/DIM 分层、粒度、权威度、必带过滤等无落点;
  • ❌ 没有 OAG 检索过程可视化:“自然语言 → 理解 → 本体检索 → MQL → SQL”四阶段不可见,无法直观演示 nl2sql 路径。

于是有了二开项目:github.com/zao-sheng/Ontology-Playground-zh-dev(MIT License)。

二开版界面截图
二开版主界面

二开版五大核心增强

① OAG 四阶段可视化(最值得体验)
面板中输入一句自然语言问题,系统实时展示“自然语言 → 理解 → 本体检索 → MQL → SQL”的完整推理链条。

② 本体增加指标层,设计器同步更新

指标层设计器界面
支持指标公式、口径、do_not 等字段定义
指标在图谱中的呈现
指标作为独立节点嵌入本体图谱

③ 增加数据源映射
支持将业务属性、关系、指标分别绑定至具体数据库表、字段、分层(如 DWD/DIM)、粒度与权威度,与语义层文章中的模型严格对齐,支撑可靠 nl2sql。

数据源映射配置界面
字段级映射配置,含表名、列名、分层、粒度等元信息

④ 首页三分类浏览器:实体 / 关系 / 指标一眼看全
主页右侧设三大 Tab:

  • 实体(对象):属性作为子项展开,显示类型 / 单位 / 值域 / 外键引用;
  • 关系:标注基数与 JOIN 键;
  • 指标:展示公式 / 口径 / do_not 等关键字段。

点击任一元素,图谱与检查器实时联动。

⑥ 双语学堂 + “认识指标”任务
全部学习内容实现中英双语:

  • 除原版课程外,新增《指标与数据源》等语义层专项课程;
  • 所有场景课补充“看透事实、维度与指标”小节;
  • 任务系统新增“认识指标”引导任务:要求用户点击对象、在检查器中阅读指标公式与口径,将“指标是独立一层”转化为实操动作。

一分钟跑起来

git clone https://github.com/zao-sheng/Ontology-Playground-zh-dev
cd Ontology-Playground-zh-dev

2. 装依赖
npm install

3. 跑起来(端口固定 5174)
npm run dev
浏览器打开 http://localhost:5174 即可

如果提示"端口被占用":
npm run dev:clean

写在最后

这个工具把"本体建模"变成了能报错、能回放、能导出的实操和动态展示,并且能定义指标和源表、还能把 OAG 检索过程一步步放给你看。

JOTO 企业落地观察

  • 企业构建 Data Agent 时,若缺乏指标层的显式建模能力,将难以统一业务口径与计算逻辑,导致不同团队对‘客单价’‘复购率’等核心指标的理解与实现不一致,影响决策可信度。
  • OAG 四阶段可视化并非仅用于教学,它为企业提供了 nl2sql 系统的可观测性基础——当自然语言查询结果异常时,团队可逐阶段定位问题发生在语义理解、本体匹配还是 SQL 生成环节。
  • 纯前端本体工具虽便于快速验证,但企业真实场景中需将本体与数据目录、权限系统、调度平台集成;这类轻量工具的输出(如指标定义、源表映射)必须能导出为标准格式,才能进入企业级知识工程流水线。
  • 指标层与数据源映射的耦合设计,意味着语义层不再只是静态描述,而是承载了计算契约与数据契约;这对 RAG 知识工程提出新要求:检索到的指标定义必须附带其可执行上下文(如时间范围约束、默认过滤条件)。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务,帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们
Contact Us

Start your enterprise AI rollout

Tell us your industry, team, and current pain points. We'll get back to you within one business day to help you decide what to tackle first, what data to prepare, and which platform fits.

WeChat
Scan to add us for a 1:1 chat
JOTO WeChat consultation QR code

Tell us what you need

Once we receive your details, we'll be in touch within one business day.