邱懿武
工作台

英伟达 Auto Ontology:给 Agent 一层「可核验的企业数据语义层」

Agent 查数最怕“数算了但算错”——Auto Ontology 用一层人为认证的本体,给每个指标定死口径。

原文日期
整理日期
作者
NVIDIA(版权所有 NVIDIA CORPORATION & AFFILIATES,2026)

渠道:GitHub(一手)/中文技术社区 · 体裁:项目(开源框架) · 信源层级:一手(GitHub README 直读) · GitHub (NVIDIA 开源,**Apache-2.0**,README 已直读)|中文解读见掘金/CSDN 多篇

全篇概述

Auto Ontology 是英伟达 2026 年开源的一个 Python 框架,定位非常明确:

> “Agent 能检索文档、能查数据库,但可靠性才是智能体分析的门槛——一个收入指标答得再快,如果那个数字是错的,就毫无价值。”

所以它要解决的不是“能不能查”,而是“查出来的数可不可信”。它从企业元数据出发,自动生成一份“本体(ontology)”,再让人来认证(certify),最后让 Agent 基于这份认证过的定义去查数——每个答案都带出处(provenance)与它走的步骤。

它的自我定位是“补足客户已有的语义模型”(complements the semantic models customers already own),并且兼容 Apache Ossie——语义模型交换的开源标准(可导入/导出)。

用法:clone → 配 .env → docker compose up(跑微软 Wide World Importers 样例库),配 NVIDIA NIM 的 LLM/Embedding/Rerank 三个模型;也提供 MCP server / CLI / REST API 给任意 Agent 调用。

一句话:它给 Agent 装的不是“知识”,是“口径”。

---


一、它要解决的真问题:数对了,才有价值

  1. Discover(发现)——从元数据生成企业本体;接入已有本体与语义模型;建“AI-ready”知识图谱;
  2. Ground(锚定)——给 Agent 可信的业务含义(指标、实体、关系),调和跨系统不一致的定义;
  3. Validate(核验)——把生成的查询对照已认证的定义与血缘检查;每个答案都回传出处;
  4. Expose(暴露)——通过 MCP/CLI/API 服务给任何 Agent;
  5. Learn(学习)——把“经认证的修正与使用记录”回流进本体,让共享上下文越用越准。

二、工作原理:三阶段(生成 → 认证 → 回答)

原文:“Auto-Ontology 分三个阶段工作:它生成本体、人认证它、Agent 用它回答问题。”

本体里存三类定义:

1. 阶段一:Generate(生成草稿)

  1. 读源:抽取 schema、profile 列、采样值进目录;
  2. 命名实体:逐表抽取术语,并把每个映射到列;
  3. 解析关系:推断表间 join 与桥表,从查询历史里建议 SQL 属性;
  4. 写本体:把术语/关系/SQL 属性存进 Postgres,向量存 pgvector 供检索。
  5. 结果是一张可探索的语义图——样例里,一次 Wide World Importers 编译产出 31 个术语。

2. 阶段二:Certify(人来认证)

  1. 在 Chat 里用真实问题测(或经 MCP 用 check_answerable / ask_question);
  2. 在 UI 或 API 里精修术语、描述、SQL 属性;
  3. 认证(certify)名称、描述与 SQL 属性——一旦对了就锁为“认证版”。

3. 阶段三:Answer(Agent 回答)

  1. 判意图 + 抽实体(问题里点了哪些名字);
  2. 向量检索候选术语、列、SQL 属性;
  3. 写 SQL(从候选里);
  4. 检查过滤值与查询(对不上就修复 SQL);
  5. 跑查询,返回答案 + 它的 SQL + 走过的步骤。
  6. “当候选支持不了这个查询时,Agent 会报告'这个问题无法从这份数据回答'。” 预测类问题交给 KumoRFM。

三、技术栈与部署(被普遍低估的部分)

组件技术角色端口
前端Next.js 16 / React 19 / TS / Tailwind 4、Better Auth、PrismaWeb UI、鉴权、API 网关3000
后端FastAPI(Python 3.12+)、LangChainNL2SQL Agent、目录、本体 API3001
摄取服务FastAPI抽取与语义编译3002
MCP serverFastMCP只读的 Agent 工具3003
数据库Postgres 17 + pgvector目录、本体、应用数据、向量库5432
凭据HashiCorp Vault(可选)连接凭据存储—

四、中文社区的两条观察(二手,供参考)


整理者的分析

标注:以下为整理者(范德)的分析,非 NVIDIA 原话,不代表其立场。本条与你正在建的深脑/ontology 高度相关,值得对着看。

  1. 它和深脑是“同一族、不同层”——Auto Ontology 建的是“数据口径的本体”(Customer 是什么、毛利率怎么算),深脑建的是“判断的本体”(谁在哪场说了什么、这个判断成不成立)。两者都在做同一件事:给 Agent 一层“可核验的语义层”。 但对象不同:它管“数”,深脑管“话”。
  2. 它最重要的设计是“Certify(人认证)”——“人生成不了对的本体,AI 也生不出可信的本体——所以必须有一道人工认证闸。” 这与深脑那条“裁定永远是人落的(propose 只是提案)”完全同构。两套系统在最关键的那一步上,独立选择了同一个设计。
  3. “SQL 属性”这一手很值得学——它把“指标该怎么算”固化成专家审阅过的表达式,Agent 复用,于是“每个指标都用同一种方式计算”。对应到深脑/你:把“判断该怎么下”也固化成可复用的规则(这正是你“方法论”的真身)。
  4. “答案不可回答时,就明说不可回答”——“当候选支持不了这个查询,Agent 会报告'无法从这份数据回答'。” 这条与深脑的“库里没有就明说没有”是同一条纪律,也是两者的可信度来源。
  5. 一条诚实的边界:它不是通用本体工具,它是“企业结构化数据的 NL2SQL 语义层”——强绑定 Postgres + NIM + SQL。它给不了你“判断/对话”层的本体(那正是深脑在做的)。所以它是“参照物”,不是“可替换件”。

保存意见(保留意见):① 本篇主体为 GitHub README 一手直读,机制描述准确;② 中文社区的两条观察(“按业务口径查数”“78% 回退半自动”)为二手转述,未见原始出处,宜作参考;③ 项目当前不接受外部贡献(not accepting external contributions),Apache-2.0 许可;④ 它默认绑定 NVIDIA NIM 与 NVIDIA 模型,迁移到其他模型栈需自行验证;⑤ README 属项目自述,“31 个术语”“兼容 Ossie”等为官方口径,未做第三方复现。