NVIDIA Auto Ontology：给 Agent 用的企业语义层与可控 Text-to-SQL NVIDIA 开源的一套面向企业分析场景的开源语义层… · @shao__meng · TwKit

@shao__meng

NVIDIA Auto Ontology：给 Agent 用的企业语义层与可控 Text-to-SQL NVIDIA 开源的一套面向企业分析场景的开源语义层：从元数据生成并调和本体，再通过 Web、API、MCP 把「指标/实体到底什么意思、能不能用、怎么查」交给任意 Agent；主打的不是更快出数，而是先有可校验的业务含义与出处。 https://github.com/NVIDIA/auto-ontology 它要解决什么问题？ Agent 已经能检索文档、查库，但分析场景的门槛是答案对不对，收入指标答得再快，错了也没用。Agent 需要一层上下文：数据在哪、含义是什么、该不该用、怎么用、从哪来、还有什么相近概念。Auto Ontology 从企业元数据搭这层，调和各系统里不一致的定义，并声明可以叠在客户已有的语义模型之上，而不是要求推倒重来。 官方把能力收成五条：Discover（从元数据生成本体、接入已有本体、做成 AI 可用的知识图）、Ground（给指标/实体/关系可信业务含义）、Validate（对照认证定义与血缘检查生成查询，答案带回出处）、Expose（MCP / CLI / API 对任意 Agent 外壳开放）、Learn（把认证修正与使用反馈折回本体）。 给 Agent 的接口：MCP 与 Skills MCP 服务是 Auto Ontology 公开 API 的 HTTP 客户端，自己不持库凭据和模型配置；用户在客户端里走部署侧登录，权限跟本人一致。工具刻意做成只读，且只走语义层，不直接逛裸 schema： · ask_question：跑 Text-to-SQL Agent，返回答案、SQL、行结果 · search_terms / get_term / get_term_columns / get_term_sql_attributes 等：先摸清业务词与映射 · describe_table、check_answerable：表级视图与「问之前先估覆盖」的廉价预检 改术语、发布语义模型等写入走 Next.js /api/...。仓库根还有三份面向编码 Agent 的 skill（nvidia-ontology-setup / management / query），生命周期是安装接通 → 建模 → 暂存校验 → 查询验证 → 受控发布；并同步到 nvidia/skills 与 build.nvidia. com/skills。维护者文档与面向外部 Agent 的 skill 刻意分开（CLAUDE.md vs AGENTS.md）。 部署与治理边界 官方安装路径是 NGC 上的 Helm chart 与镜像（nvcr. io/nvidia/auto-ontology 等）；本机可用 Docker Compose。自助注册关闭，Helm 必须配引导管理员。连接可来自 UI，或部署时的 CONNECTION_STRINGS（仅当没有 UI 连接时作后备）。未配齐 Vault 时，UI 写入的连接密码会以明文 JSON 存在 Postgres，这是文档写明的默认风险，不是隐含细节。 BIRD 一类 Text-to-SQL 评测指向独立仓库 ontology-sql-eval。许可证 Apache-2.0，但目前不接受外部贡献；安全问题走 SECURITY.md。MCP 文档里仍有一句「今天对内、uvx 需有仓库权限的 GitHub 凭据、上 PyPI 后才可裸装」，与公开仓库并存，用的人要按实际发布状态核对，不要默认 pip install 已经通了。

曝光 658 · 评论 3 · 点赞 8 · 书签 7