建议收藏-从知识工程到本体建模-开源一些项目供大家参考和学习

大家好，我是人月聊IT。前面不少朋友留言，还是希望我能够开源和分享一些我AI赋能知识管理，本体建模方面的演示项目源代码。因此最近整理下这些项目进行开源发布。希望这些开源项目对大家有所帮助，也欢迎大家fork或star。

一组围绕AI赋能知识库、EA企业架构、本体建模、源代码项目逆向和 AI 原生应用构建，本体驱动智能数据分析的开源项目

GitHub 主页：https://github.com/sharptoolbox

截至目前，sharptoolbox 公开了 9 个相互关联的项目。它们共同关注一个问题：如何把分散在需求文档、业务规则、源码、数据库、架构图和行业资料中的知识，整理成机器可以理解、人工可以审查、系统可以运行的结构化资产。

这些项目的价值并不只在于“用了大模型”。更重要的是，它们尝试建立一条完整链路：先沉淀知识，再抽取语义；先明确业务对象和规则，再建立本体；先进行源码和架构追踪，再生成应用；最后把本体真正落到数据库、页面、查询和可视化系统中。对于企业架构师、产品经理、研发团队、AI 编程实践者和知识工程研究者来说，这是一组具有连续性的实验与参考实现。

本文将逐一介绍全部公开项目，并说明每个项目的定位、核心功能、适用场景和项目地址。

一、项目全景：九个仓库组成一条演进路线

从整体上看，sharptoolbox 的项目可以分为四个层次：

1. 知识资产层：LLM-knowledgeBase 负责把原始文章整理成可追溯的知识库。
2. 架构与模型层：mobile-manufacturing-togaf、Onto-Model 和 ontology-driven-dev 分别覆盖企业架构案例、本体模型维护和本体驱动系统建设方法。
3. 领域应用层：Onto-Contract、Onto-DataAnalyse、Onto-SupplyChain 是三个可运行的 AI 原生领域应用示例。
4. 工程自动化层：codebase-reverse 用于从既有源码建立完整元模型，WorkBuddy-AppBuilderSkill 则进一步把需求和本体转化为可安装的 WorkBuddy 领域技能。

这条路线可以概括为：

原始资料
  → 知识萃取与来源约束
  → 企业架构 / 业务对象 / 本体模型
  → 源码、数据库和实现链追踪
  → 领域应用与智能分析
  → 需求驱动的应用技能生成

二、LLM-knowledgeBase：面向大语言模型的知识库方法论

项目地址：https://github.com/sharptoolbox/LLM-knowledgeBase

LLM-knowledgeBase 是整个项目体系中的知识资产基础。它不是某一个具体的 RAG 产品，也不绑定向量数据库、模型供应商或应用框架，而是一套可以迁移到不同 LLM 工具中的知识库构建提示词、元模型和参考资料。

项目最核心的设计是“场景—概念—实体”三层知识元模型。场景回答“要解决什么问题”，概念表示可复用的思维加工单元，实体则表示具体的人、工具、框架、产品或其他可指认对象。三层结构把“问题背景”“推理方法”和“事实对象”分开，避免把文章简单切片后直接交给模型。

仓库采用两轮知识萃取流程。第一轮快速扫描原始文章，建立候选场景、概念、实体以及来源清单；第二轮再逐项补充定义、IPO（输入—处理—输出）、关系、层级和引用来源。所有问答都要求回到 raw/ 原始资料中寻找依据，并在回答中保留来源路径，从机制上降低模型凭空补充和混淆作者观点的风险。

仓库还提供知识萃取规范指南、知识问答提示词、三张离线 HTML 架构图和参考图片。使用者可以把自己的文章放入 raw/，按规范创建 scenarios.yaml、concepts.yaml 和 entities.yaml，再将问答提示词接入 OpenAI 兼容服务、本地模型或其他 Agent 平台。

这个项目适合个人知识管理、团队知识工程、企业内部知识库、RAG 原型和 Agent 工作流设计。它强调的不是“让模型知道更多”，而是让模型知道每个结论来自哪里、适用于什么场景，以及哪些内容不能被擅自推断。

三、mobile-manufacturing-togaf：手机制造行业企业架构完整案例

项目地址：

https://github.com/sharptoolbox/mobile-manufacturing-togaf

这是一个面向手机制造行业的企业架构规划案例，覆盖 TOGAF 体系中的业务架构、数据架构、应用架构和技术架构，同时补充企业战略与实施规划。仓库以手机制造企业为背景，展示如何把战略目标逐层分解为业务能力、价值流、数据对象、应用组合、技术平台和实施路线图。

项目的主线是 LTC，即从线索到回款的端到端业务流程。通过这条主线，战略、业务、数据、应用和技术不再是彼此独立的章节，而是形成了可以穿透的架构关系。内容包括 PEST 分析、战略屋、战略地图、KPI、业务能力地图、价值流、RACI、主题域、主数据、应用组合、API、微服务拆分、云平台、部署、安全容灾、迁移波次和治理机制。

仓库还包含一份“架构可视化浏览系统需求与设计方案”。这份文档不仅描述产品想法，还明确了后端技术栈、数据库表、API 分组、前端模块、页面布局和可视化库，因此可以直接作为 AI 编程的工程蓝图。仓库中的 html/ 目录提供 76 个 ECharts / D3 交互式 HTML 原型，ea-ltc-demo/ 提供可运行的 LTC 知识图谱原型，附件/ 保存了用于支撑规划的 Excel、Word 等原始资料。

它适合企业架构学习、制造业数字化转型、咨询方案编制、架构资产可视化产品设计，以及希望用 AI Coding 快速生成架构平台的团队。需要注意的是，仓库包含较多图片和 Office 附件，整体体量较大。

四、Onto-Model：本体模型可视化、编辑与校验工具

图片

项目地址：https://github.com/sharptoolbox/Onto-Model

Onto-Model 是一款本地运行的本体模型维护工具。它提供 Flask + React 的 Web 编辑器，用来打开一组 YAML 本体文件，浏览模型树、查看定义与引用关系、绘制知识图谱、执行跨文件校验，并将修改保存回原有 YAML 文件。

项目支持对象、聚合、属性、关系、约束、行为、规则、事件、场景和主体等模型元素。它特别强调“定义节点”和“引用节点”的区分：一个模型元素只在定义处维护，其他文件通过 ID 引用，从而降低重复编辑和引用漂移的风险。系统还支持查找引用关系、分析删除影响、保留未知扩展字段，并在保存前执行实体 ID、行为归属、规则引用、事件链和主体权限等跨文件校验。

知识图谱使用 D3.js Canvas 绘制，支持节点分类筛选、缩放、拖拽和关系连线。后端工作区服务以 YAML 文件本身作为持久化载体，不依赖数据库或云端存储。项目内置 sample 示例模型，并提供后端 API、前端组件、架构文档和知识图谱说明。

它适合本体建模人员、领域分析师和研发团队使用，也可以作为后续领域应用生成的模型审查工具。与纯文本编辑器相比，它把模型浏览、引用分析、校验和可视化集中在一个工作区中。

五、ontology-driven-dev：需求到应用的本体驱动开发技能

图片

图片

项目地址：https://github.com/sharptoolbox/ontology-driven-dev

ontology-driven-dev 是一套可复用的 Agent 技能，目标是把一段业务需求转化为可运行的浏览器前后端管理系统。它采用“需求探索 → 本体建模 → 应用构建”三阶段流程，基于七模型本体 YAML，并配套一个 code-paas 技术底座。

这个项目的关键原则是模型作为语义单一来源。需求文档中的功能、本体 YAML 中的对象和规则、生成代码中的数据库表、API、菜单、权限和流程，都需要保持一致。需求探索阶段设置了不可跳过的人工确认门禁，每一阶段完成后都必须等待用户确认，防止 Agent 在业务含义尚未明确时直接生成代码。

技术底座采用 Flask、SQLite、React、TypeScript 和 Vite，内含系统管理、流程引擎、工作台和本体注册表等能力。生成的系统还设计了右侧 AI 对话区，通过本体注册表注入、工具调用、SSE 流式输出和只读 SQL 边界，为业务用户提供对话式查询入口。

该项目可以安装到 WorkBuddy、Claude Code，也可以通过 AGENTS.md、codex.md、.cursorrules 等方式接入 Codex、Cursor、Cline、Aider 等工具。它更像一套“AI 原生业务系统开发纪律”和可扩展技术底座，适合研究如何让需求、模型和代码在 Agent 生成过程中保持可追溯。

六、codebase-reverse：完整源码逆向工程技能

项目地址：https://github.com/sharptoolbox/codebase-reverse

codebase-reverse 解决的是存量系统理解问题。它将一个已有源码项目逆向为完整、可追溯、可以继续钻取的项目元模型，覆盖业务功能、实现链、技术架构、接口、对象、组件、配置、数据库以及它们之间的关系。

技能默认对 Java Web、Spring Boot 和 Spring Cloud 做了深度定制，能够识别 Controller、路由、定时任务、消息监听、CDC、补偿任务、MyBatis Mapper XML、JPA、DAO、Repository 等典型资产。同时，它也支持将方法推广到 C#、TypeScript、Python、Go、PHP 和 Ruby 项目，只需按源码实际情况校准入口和命名约定。

它提供两种细粒度模式：F-FULL 对单个功能进行业务与技术实现全集深挖，把页面控件、接口、类方法、规则、对象和数据库串成主链；F-REQ 输出与具体实现无关的需求规格，只保留业务界面、功能、规则、状态、验收条件和数据库对象模型。

全量基线模式会产出源码资产台账、业务功能需求、功能链索引、数据库清单与访问矩阵、覆盖报告、一致性报告，以及逐功能的钻取文档。PowerShell 校验脚本会检查文档中登记的源码文件是否真实存在、是否有资产未被归属，并要求自动检查与人工 Pass A-O 检查共同通过。

这个项目适合遗留系统接手、系统重构、需求补齐、技术尽调、架构治理和 AI 辅助开发。它的核心价值是把“读懂源码”从一次性的个人经验，变成一套有资产清单、有证据协议、有覆盖对账和有完成门禁的方法。

七、Onto-Contract：本体驱动的 AI 原生合同管理示例

项目地址：https://github.com/sharptoolbox/Onto-Contract

Onto-Contract 是一个可本地运行的合同管理应用示例，展示如何把合同领域的对象、行为、规则、事件、场景和 UI 元数据统一放入 YAML 本体模型，并由后端加载这些语义，为业务页面、查询接口和 AI 对话提供一致上下文。

主要功能包括合同录入、合同查询、合同详情、开票登记和收款登记。后端使用 Python、Flask、SQLite、PyYAML 和 Requests，前端使用 React、TypeScript、Vite、ECharts、Framer Motion 和 Lucide。项目提供 DeepSeek Function Calling 与 SSE 流式 AI 对话，同时对动态 SQL 施加严格只读限制，包括表白名单、字段白名单、返回行数和连接数控制。

仓库包含 SQLite 示例数据库和默认演示数据，也提供后端服务、前端应用、本体模型、技术架构文档、配置示例以及语义查询和 LLM 编排的冒烟测试。它适合作为“本体如何进入真实业务应用”的入门案例，也适合研究 AI 对话、业务查询和结构化领域上下文的结合方式。

八、Onto-DataAnalyse：本体驱动的电商数据智能分析

项目地址：https://github.com/sharptoolbox/Onto-DataAnalyse

Onto-DataAnalyse 将本体方法应用到电商经营分析。它把“需求文档 + 数据库 Schema”作为输入，经过需求探索、本体建模与字段映射，执行预设分析场景，最后输出包含推理过程、图表和数据溯源的分析报告。

项目展示了本体作为业务语义中间层的完整闭环：阶段一识别分析目标、业务对象和指标；阶段二生成 M1 对象、M2 行为、M3 规则、M4 场景和指标模型，并建立本体属性到现有数据库字段的映射；阶段三执行经营异常、GMV、客户流失三个预设场景；阶段四提供自然语言对话和可视化报告。

系统不会修改业务数据库，而是通过字段级映射读取数据。SQL 层只允许只读查询，并限制关键字、返回行数和执行重试。项目使用 DeepSeek 的 OpenAI 兼容接口；当 API 不可用时，会明确报错，不伪造 AI 结果。这个边界非常适合用于演示企业如何在保留既有数据系统的前提下，引入本体和大模型分析能力。

九、Onto-SupplyChain：制造业供应链 ATP 分析与推理

项目地址：https://github.com/sharptoolbox/Onto-SupplyChain

Onto-SupplyChain 面向制造业供应链场景，聚焦 ATP，即 Available to Promise，可承诺量与可承诺交期分析。项目以供应链本体作为业务语义基础，将客户订单、库存、BOM、供应商、工艺路线、生产工单、工序和工作中心等对象连接起来，通过结构化规则推理订单是否能够按期承诺。

它的核心能力包括供应链本体建模、库存覆盖分析、BOM 缺口判断、物料齐套检查、供应风险识别、产能负荷分析、订单插单和需求变更推理。系统输出承诺日期、置信度、风险等级、原因链、影响对象和备选方案，帮助使用者理解“为什么能承诺”或“为什么不能承诺”。

项目提供 D3 力导向知识图谱、四个预设演示场景和 SQLite 模拟数据库，也可以选择接入 DeepSeek 生成业务解释；未配置 API Key 时使用本地规则解释。仓库明确声明当前不是完整生产级 APS，不包含多工厂全局优化、MILP/CP-SAT 求解器或真实 SAP/MES 集成，因此更适合作为本体驱动供应链推理的可运行演示和扩展起点。

十、WorkBuddy-AppBuilderSkill：自动生成领域技能的本体驱动构建器

图片

图片

项目地址：

https://github.com/sharptoolbox/WorkBuddy-AppBuilderSkill

WorkBuddy-AppBuilderSkill 是目前这组项目中最偏向“生成器”的一项。它面向 WorkBuddy，把业务需求或需求文档转换为一套新的、可安装、可运行、自包含的领域技能。

它严格执行三段式流程。第一段按九个阶段进行需求探索，逐批提问并附带 AI 建议、理由和备选答案，所有结论写入带确认状态的需求文档。第二段依据本体建模规范生成 M1~M7、ME、MU、MM、MI 十一类 YAML，并转换出运行期 JSON，同时生成离线知识图谱。第三段复制运行引擎、内嵌本体、打包需求文档，为每个聚合根生成独立 HTML 录入表单，最后完成最小 CRUD、主从数据和查询自测。

生成的领域技能包含 SQLite 自动建库、REST API、对象 CRUD、数据字典和对象引用下拉框、自动编号、逻辑作废、自然语言查询和离线知识图谱。运行时只依赖 Python 标准库和 SQLite，PyYAML 只在构建期用于 YAML 转 JSON 和图谱生成。

这个项目体现了整套开源工作的最终落点：让需求探索、本体建模、数据库结构、页面录入和对话式查询形成一个可安装的交付物。它适合快速构建内部管理工具、验证领域建模方案，或者作为 WorkBuddy 技能开发的模板。

十一、项目之间的关系：一套逐步收敛的工程体系

如果把九个仓库放在一起看，可以看到几条很清晰的关系。

第一条是“资料到知识”。LLM-knowledgeBase 解决原始文章如何萃取为场景、概念和实体，并坚持来源可追溯。

第二条是“知识到模型”。Onto-Model 提供模型浏览、编辑、引用校验和知识图谱，ontology-driven-dev 则把模型进一步纳入需求、代码、数据库和 AI 对话的生成流程。

第三条是“模型到应用”。Onto-Contract、Onto-DataAnalyse 和 Onto-SupplyChain 分别在合同、电商分析和制造供应链中验证本体驱动应用的不同形态：业务管理、经营分析和规则推理。

第四条是“存量系统到模型”。codebase-reverse 从源码和数据库反向建立元模型，解决遗留系统无法被完整理解和追踪的问题。

第五条是“架构资产到可视化系统”。mobile-manufacturing-togaf 提供了一个行业级企业架构规划案例，并通过大量 HTML 原型和 AI 编程设计文档，把架构知识进一步转化为可浏览、可分析的平台。

最终，WorkBuddy-AppBuilderSkill 把需求探索、本体建模和领域技能生成串成可重复执行的工作流，成为上述方法论向自动化交付延伸的一步。

十二、适合哪些读者

• 企业架构师和数字化负责人：可重点阅读 mobile-manufacturing-togaf，理解战略、业务、数据、应用和技术之间的穿透关系。
• 领域建模和产品设计人员：可使用 Onto-Model、ontology-driven-dev 和 WorkBuddy-AppBuilderSkill，建立可审查、可落地的业务模型。
• 遗留系统维护和重构团队：可使用 codebase-reverse，建立源码资产、功能链和数据库之间的完整对账。
• AI 应用和 RAG 实践者：可参考 LLM-knowledgeBase 的来源约束，也可研究三个 Onto 领域应用中的对话、推理和查询边界。
• 制造业和供应链团队：可从 Onto-SupplyChain 的 ATP 场景入手，理解本体、规则和可解释推理如何结合。
• 希望快速做业务原型的开发者：可使用 Onto-Contract、Onto-DataAnalyse 和 WorkBuddy-AppBuilderSkill 作为可运行参考。

十三、开源说明与使用建议

目前公开项目普遍采用 MIT License，具体以各仓库的 LICENSE 文件为准。MIT 允许使用、修改、复制、发布和商业化，但使用者仍需注意三类边界：第一，仓库中的第三方文章、图片、Office 附件和示例资料可能具有独立版权；第二，涉及 DeepSeek 或其他模型服务时，应通过环境变量或密钥管理服务注入 API Key，不要写入代码、提示词或 Git 历史；第三，本地 Demo 中的 HTTP 服务、SQLite 数据库和只读 SQL 保护不等同于生产级安全方案。

建议的阅读顺序是：先看 LLM-knowledgeBase 理解知识工程，再看 Onto-Model 理解模型维护，接着阅读 ontology-driven-dev 和 codebase-reverse 理解 AI 驱动开发与源码逆向，之后运行 Onto-Contract、Onto-DataAnalyse、Onto-SupplyChain 观察领域应用，最后使用 WorkBuddy-AppBuilderSkill 尝试从自己的需求生成新技能。若关注企业架构，则可以并行阅读 mobile-manufacturing-togaf。

结语

sharptoolbox 的这些开源项目共同表达了一种实践方向：大模型要真正进入企业软件开发，不能只依赖更长的提示词，还需要更清晰的知识结构、更严格的来源约束、更可审查的业务模型、更完整的源码追踪和更明确的人工确认机制。

从知识库到本体，从本体到应用，从应用到可解释分析，再到自动生成领域技能，这九个仓库构成了一套仍在持续演进的实验性工程体系。它们既可以单独使用，也可以组合起来，成为企业知识工程、AI Coding、领域驱动设计和本体驱动应用建设的参考底座。

欢迎访问 GitHub 主页了解全部项目，欢迎Fork和Star。

https://github.com/sharptoolbox。