OpenKG-ToolAgent

---

1. 项目简介

从“工具调用”到“任务自动化”

在真实应用中，用户往往只提出目标级需求，例如：

“从这些文本中抽取实体关系” “我想得到结构化的知识，而不关心中间步骤”

但现有系统通常要求用户显式指定 NER → RE → 格式转换 等操作流程，或者需要手动操作。这在复杂任务中既低效，也不具备可扩展性。

---

核心思想

一方面，OpenKG-ToolAgent 提供了若干工具的 MCP 服务；

另一方面，我们正在将 OpenKG-ToolAgent 打造位一个以 Agent 调度为核心的知识图谱工具协同框架，旨在将一个用户目标视为多阶段、具备依赖关系的任务，交由 Agent 自动规划与执行所需的工具调用。

---

2. MCP 工具

OpenKG-ToolAgent 通过 MCP（Model Context Protocol）将各类知识图谱工具封装为 可被 Agent 调度的能力单元（Tool）。

DeepKE（知识抽取）

支持以下标准 NLP 抽取任务：

• 命名实体识别（NER）
• 关系抽取（RE）
• 属性抽取（AE）
• 事件抽取（EE）

本项目为其提供统一的 MCP 服务接口，支持预测阶段的独立调用。

---

muKG（知识表示学习）

支持多源或单源知识图谱的表示学习任务：

• 实体对齐（EA）
• 链路预测（LP）
• 实体类型识别（ET）

同样以 MCP 服务形式集成，支持训练与预测。

---

Medical_Guideline_Extract（领域扩展示例）

用于医疗指南文本的结构化抽取，展示 OpenKG-ToolAgent 在垂直领域中的可扩展性。

---

3. 应用场景：自动知识结构化

给定一份原始文本（如科研文献、领域说明、医疗指南），用户希望直接获得结构化的知识结果，而不需要关心中间的 NLP 流程。

示例输入：

文本文件（每行一个句子）

用户目标：

对这些文本执行操作（如关系抽取 RE）

---

Agent 自动化行为

在 OpenKG-ToolAgent 中，系统将该需求解释为一个具备隐式依赖的任务：

• 关系抽取（RE）依赖于实体识别（NER）
• 当前输入中未显式提供实体信息
• 因此需要自动补全缺失步骤

---

4. 使用与部署

DeepKE 配置

请参考 DeepKE官方仓库，配置deepke / deepke-ee虚拟环境

写入 .env 文件

将 conda 对应的包含 PY 的目录和 DeepKE 目录放入 .env 中：

DEEPKE_PATH="~/DeepKE"
CONDA_PY="/home/user_name/anaconda3/envs/deepke/bin/"
CONDA_EE_PY="/home/user_name/anaconda3/envs/deepke-ee/bin/"

muKG 配置

可以完全按照官方仓库来配置虚拟环境。

写入 .env 文件

MUKG_PATH="~/muKG"
CONDA_MUKG_PY="/home/user_name/anaconda3/envs/muKG/bin/"
MUKG_OUTPUT_DIR="~/output/"

MGE配置

请按照官方仓库README要求配置环境参数。

API_KEY

使用了阿里的qwen大模型，更改 DASHSCOPE_API_KEY 即可，用于演示。如果只需要将 mcp 服务嵌入到应用程序（如 Cursor ）则不需要。

配置 MCP 项目 uv 环境

# curl -LsSf https://astral.sh/uv/install.sh | sh # 安装uv
# pipx install uv # 反正选一个安装uv
pip install uv

cd OpenKG-ToolAgent
uv venv
source .venv/bin/activate
uv add "mcp[cli]" httpx openai pyyaml langchain langgraph langchain-community langgraph-cli langchain-mcp-adapters ddgs requests

作为服务器

使用 uvicorn server_api:app --reload --host 0.0.0.0 --port 8000 来运行服务器。

在 Cursor & Cline 中使用

修改 .cursor/mcp.json 或 cline_mcp_settings.json ，或者在其他支持 mcp 服务的应用中添加类似的配置。

{
 "mcpServers": {
  "OpenKG-ToolAgent": {
   "command": "uv",
   "args": [
​    "--directory",
​    "absolute/path/to/OpenKG-ToolAgent/tools",
​    "run",
​    "server.py"
   ]
  }
 }
}

---

3. 支持的能力

OpenKG-ToolAgent 的 MCP 部分当前提供以下任务接口：

任务类型	接口名	功能概述
NER	deepke_ner()	常规全监督命名实体识别预测
RE	deepke_re()	常规全监督关系抽取预测
AE	deepke_ae()	常规全监督属性抽取预测
EE	deepke_ee()	常规全监督事件检测及论元提取预测
EA	ea_modelname()	实体对齐，包含 MTransE 等四个模型
LP	lp_modelname()	链路预测，包含 TransE 等四个模型
ET	et_transe_et()	实体类型识别，以 TransE_ET 模型运行
MGE	mge_judge()	医疗指南文本判断
MGE	mge_extract()	医疗指南结构化抽取

5. Demo 示例

cd OpenKG-ToolAgent
uv run run.py

该 Demo 演示了一个典型的 Agent 调度流程：

• 用户提出高层目标
• Agent 自动规划所需工具链
• 系统输出最终结构化结果

---

6. 项目状态与说明

• 本项目当前仍处于早期阶段
• Agent 调度策略以规则为主，后续将逐步模块化与可学习化
• 当前默认适配 Linux 环境