05 场景演练

一个完整用例：从启动到"智能体通过 MCP 使用本体"，覆盖全链路。

场景：上线"新功能"并核查合规

第 1 步：启动服务

docker compose up -d api mcp
curl -s http://127.0.0.1:8000/api/health | python3 -m json.tool   # status=ok

第 2 步：能力匹配——谁来做登录模块开发？

.venv/bin/python scripts/query.py capability_match --task t_login_dev --pretty

结论：dev_agent（研发Agent，已认证）具备 Coding 能力 → 匹配（规则 R1）。

第 3 步：任务编排——"新功能上线"如何拆解？

.venv/bin/python scripts/query.py orchestrate --task t_feature --pretty

结论：复合任务按依赖拓扑拆解为需求分析（req_agent）→ 编码 → 审查 → 测试 → 部署，逐环节匹配执行者。

第 4 步：分配 + 合规检测

.venv/bin/python scripts/query.py assign --task t_compliance_dev --agent junior_dev --pretty

结论：任务要求合规认证而初级研发 Agent 未认证 → R4 合规冲突被检出并给出可解释推导链。

第 5 步：图谱工作台编辑本体

打开 http://127.0.0.1:8000：三视图查看推理结果 → 四栏编辑器新增一个类/个体 → 保存（另存或覆盖）→ 三视图与物化统计自动刷新。

第 6 步：智能体接入（MCP）

豆包连接器新建自定义连接器 → HTTP + http://127.0.0.1:9000/mcp → 对话中直接问"谁能做登录模块开发？""为什么分配冲突？"，智能体调用本体推理工具返回确定性答案与推导链。

第 7 步：运维闭环

.venv/bin/python scripts/ontologyctl.py status      # 确认服务/本体/一致性
.venv/bin/python scripts/ontologyctl.py commit -m "本次演练变更"   # 变更入 git 并打 tag
bash scripts/backup.sh                              # 文件级快照备份

排查提示

现象	处理
领域推理返回"通用模式"	服务已加载自定义本体，重启服务恢复默认本体（见 01 快速开始）
--local 报缺 owlrl/rdflib	使用 .venv/bin/python 而非系统 python3
MCP 连接器连不上	确认 mcp_server.py 已启动、URL 为 http://127.0.0.1:9000/mcp