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”。
---
- 日期:2026-11-12
- 原始日期:2026-11-11
- 来源:GitHub 阅读原文 (NVIDIA 开源,Apache-2.0,README 已直读)|中文解读见掘金/CSDN 多篇
- 渠道:GitHub(一手)/中文技术社区
- 体裁:项目(开源框架)
- 作者:NVIDIA(版权所有 NVIDIA CORPORATION & AFFILIATES,2026)
- 信源层级:一手(GitHub README 直读)
- 标签:本体 / 语义层 / Agent / NL2SQL / 知识图谱 / 数据治理
- 一句话: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。
一、它要解决的真问题:数对了,才有价值
- 核心句:“一个收入指标答得再快,如果那个数字是错的,就毫无价值。Agent 需要一层上下文,告诉它数据在哪、是什么意思、该不该用、怎么用、从哪来、什么和它相似。”
- 它把这一层从企业元数据里建起来,跨系统调和定义,再通过 MCP / CLI / API 暴露给任何 Agent 宿主。
- 五个动作(它的官方口径):
- 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;
- 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;
- 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;
- Expose(暴露)——通过 MCP/CLI/API 服务给任何 Agent;
- 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:
- Terms(术语)——业务概念(如 Customer、Invoice Line),各带描述 + 同义词,并映射到持有它的那些列;
- SQL attributes(SQL 属性)——挂在术语下的、经审阅的 SQL 表达式(如毛利率、滚动合计)。Agent 复用它们,于是每个指标都用同一种方式计算;
- Relationships(关系)——表怎么连接(含桥表),从键和数据里推断出来。
1. 阶段一:Generate(生成草稿)
- 读源:抽取 schema、profile 列、采样值进目录;
- 命名实体:逐表抽取术语,并把每个映射到列;
- 解析关系:推断表间 join 与桥表,从查询历史里建议 SQL 属性;
- 写本体:把术语/关系/SQL 属性存进 Postgres,向量存 pgvector 供检索。
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)
- 在 Chat 里用真实问题测(或经 MCP 用
check_answerable/ask_question); - 在 UI 或 API 里精修术语、描述、SQL 属性;
- 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)
- 判意图 + 抽实体(问题里点了哪些名字);
- 向量检索候选术语、列、SQL 属性;
- 写 SQL(从候选里);
- 检查过滤值与查询(对不上就修复 SQL);
- 跑查询,返回答案 + 它的 SQL + 走过的步骤。
“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、Prisma | Web UI、鉴权、API 网关 | 3000 |
| 后端 | FastAPI(Python 3.12+)、LangChain | NL2SQL Agent、目录、本体 API | 3001 |
| 摄取服务 | FastAPI | 抽取与语义编译 | 3002 |
| MCP server | FastMCP | 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 | — |
- 推理全部走 NVIDIA NIM(托管
build.nvidia.com或自托管 NIMs)。默认三件套: - LLM:
nvidia/nemotron-3.5-lightning-30b-a3b - Embeddings:
nvidia/nemotron-3-embed-1b - Rerank:
nvidia/llama-nemotron-rerank-vl-1b-v2 - 模型用“三元组”配置(
<PREFIX>_ENDPOINT/_API_KEY/_MODEL),分四种角色:REASONING(主 NL2SQL)、NON_REASONING(轻量实体抽取)、EMBED(摄取与查询必须一致)、RERANK。 - 安全提醒(它自己写的):3001/3002 要放在私有网络;后端信任前端转发的
x-auto-ontology-user-id;摄取服务端点(ingest/delete/reset/compile)自身没有鉴权——客户端要经 3000 的 Web 应用走。 - MCP 的只读工具:
check_readiness(这个部署到底能不能回答任何问题)、search_terms、get_term、get_term_columns、get_term_sql_attributes、describe_table等。
四、中文社区的两条观察(二手,供参考)
- “给 Agent 一个可信的语义层,查数不再是猜谜”——市场叙事聚焦在“让智能体按业务口径查数据”。
- “78% 的项目回退到半自动”——有中文分析指出,大多数知识图谱构建项目最终回到“半自动”(即全自动生成不可靠,人工认证这一环省不掉)——这恰好解释了 Auto Ontology 为什么把 Certify(人认证)做成核心阶段,而不是让 AI 全自动。
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。
- 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”。
- 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。
- “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)。
- “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。
- 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。