NVIDIA Auto Ontology结构化数据语义层简介
NVIDIA Auto Ontology 架在关系库和问数 Agent 之间:从库表元数据生成术语、join 和 SQL 口径,人认证后再把自然语言编译成可执行 SQL。它是结构化数据上的语义目录加 Text-to-SQL,不是文档图谱,也不是对象—动作运行时。
NVIDIA Auto Ontology结构化数据语义层简介
NVIDIA Auto Ontology 是架在关系数据之上的语义目录与问数层。它从库表元数据生成术语、表关系和已审 SQL 口径,经人认证后,把自然语言问题编译成可执行的 SQL,并返回答案、语句和步骤。仓库 NVIDIA/auto-ontology(调研时约 12,013 star、986 fork,Apache-2.0),创建于 2026-04-27,主分支仍在更新,暂不接受外部 PR。下文按 README、
docs/mcp.md与配套评测仓整理。
参考与延伸阅读:
- 仓库:https://github.com/NVIDIA/auto-ontology
- MCP 说明:https://github.com/NVIDIA/auto-ontology/blob/main/docs/mcp.md
- 评测仓:https://github.com/NVIDIA/auto-ontology-eval
- SQL 评测:https://github.com/NVIDIA/ontology-sql-eval
- 封面图 BFO 2.0:https://commons.wikimedia.org/wiki/File:BFO_ontology.jpg(AH-LOD,CC BY-SA 4.0)
目录
1. 定位
Agent 已经能检索文档、连接数据库,但分析是否可信卡在口径:同一个「营收」在不同系统里算法不同,答得快不等于答得对。官方把缺口写成:Agent 需要知道数据在哪、是什么意思、能不能用、怎么用、从哪来、什么与它相近。Auto Ontology 从企业元数据构建这一层,调和跨系统定义,再通过 MCP、CLI 和 API 交给任意 Agent 运行时。它声明自己补充客户已有的语义模型,而不是替换它们。
产品形态是一套可 Docker Compose / Helm 部署的服务,不是单文件插件。默认推理走 NVIDIA NIM(也可改为自托管 NIM 或 OpenAI 兼容端点)。配套有网页 Chat、数据目录、RBAC,以及只读 MCP。
结论性定义: Auto Ontology 放在「关系库」和「问数 Agent」之间。它保存三类定义:业务术语(Term)、挂在术语下的 SQL 属性、表之间的关系。问数时先解析到这些定义,再生成并校验 SQL,最后在已连接的库上执行。没有数据源连接,就没有可执行的语义层。
四件事:Discover(从元数据生成本体、接入已有语义模型)、Ground(给指标和实体以可信含义)、Validate(对照已认证定义和血缘检查查询)、Expose / Learn(对外服务,并把认证过的修正折回本体)。
2. 它首先不是什么
| 不是 | 原因 |
|---|---|
| 文档知识库 / RAG | 不索引 PDF、Wiki、切片。原文检索不在产品范围内 |
| 无源语义文件 | 不像只存映射、自己不跑 SQL 的插件。它既编译语义,也执行查询 |
| Palantir 式对象—动作运行时 | 没有托管写回、没有对象实例上的写权限闸门。MCP 工具全是只读 |
| 免连库的「自动本体」 | 必须配置数据源。编译读的是 schema、列画像和样例值,数字来自 SELECT |
| 无人值守的口径发布 | 自动生成的是草稿。名称、描述和 SQL 属性要人认证后才当作可信口径 |
一句话:它是结构化数据上的语义目录加 Text-to-SQL,不是文档图谱,也不是业务系统本身。
3. 产品快照
| 项 | 值(2026-11-12) |
|---|---|
| 仓库 | NVIDIA/auto-ontology |
| 星标 / Fork / 开放议题 | 约 12,013 / 986 / 118 |
| 许可 | Apache-2.0 |
| 语言 | Python 3.12+(后端 FastAPI);前端 Next.js 16 |
| 默认模型 | NIM:nvidia/nemotron-3.5-lightning-30b-a3b(推理)、嵌入与重排另有专用模型 |
| 对外端口 | Web 3000;MCP http://…:3003/mcp;FastAPI 3001/3002 应放内网 |
| 贡献政策 | 维护组不接受外部 pull request;集成需求和缺陷可开 issue |
默认 LLM / 嵌入 / 重排走 integrate.api.nvidia.com,需要 nvapi- 密钥。每个角色用一组 *_ENDPOINT / *_API_KEY / *_MODEL,未填的字段回落到 DEFAULT_MODELS_*。自托管 NIM 或任意 OpenAI 兼容端点可以按角色覆盖。嵌入模型在摄入和查询两侧必须一致。模型需支持结构化输出。
4. 三类定义
本体里只放定义,业务行仍在源库。
| 种类 | 含义 |
|---|---|
| Term | 业务概念,如 Customer、Invoice Line。含描述、同义词,映射到持有它的列 |
| SQL attribute | 审过的 SQL 表达式,挂在某个 Term 下,如毛利、滚动合计。Agent 复用同一条,保证同指标同算法 |
| Relationship | 表如何 join,含桥表。从键和数据推断 |
语义模型可用 Apache Ossie YAML 导入导出(Settings → Import / Export,或 POST /api/model/import、/export)。这是和已有语义资产对接的口,不是 OWL/SHACL 行业参考本体。
5. 生命周期
1
2
3
连接数据源 → 摄入与语义编译(草稿)
→ 人在 UI / API 中修订并认证
→ Agent 按已认证定义写 SQL、校验、执行
Generate。 摄入服务从源库出第一稿:读 schema、给列做画像、采样值写入目录;按表抽出术语并映射到列;推断 join 和桥表;若有查询历史,可建议 SQL 属性;写入 Postgres,嵌入进 pgvector。结果是可在 UI 里点开的语义图。示例库 Wide World Importers 的一次编译约得到 31 个术语。
Certify。 用 Chat 或 MCP 的 check_answerable / ask_question 拿真实问题试;在界面或 API 里改术语、描述和 SQL 属性;确认无误后认证名称、描述和表达式。未认证的草稿不应当作生产口径。
Answer。 对每个问题:分类意图并抽出实体 → 用嵌入检索候选术语、列和 SQL 属性 → 据此写 SQL → 对照库检查过滤值,失败则修复 → 执行并返回答案、SQL 和步骤。候选撑不起查询时,明确说当前数据答不了。预测类问题在配置了 KumoRFM 时可旁路到该托管服务(会上传所连表,默认可关,启用前需做数据审查)。
Chat 里每条答案展示 SQL,可看行、下 CSV 或出图。官方 Quickstart 用「某商品在宾夕法尼亚 2015 年 6 月营收」演示:先解析到 Invoice Line、Stock Item、State Province 等术语,再沿关系 join。同一库没有广告花费时,问 ROAS 会得到覆盖不足的说明,而不是编一个数。
6. 必须配置数据源
用法与常见智能问数产品相同:先挂业务库,再谈语义层。 没有连接,编译没有输入,问数没有执行面。
在 Settings → Connections 添加,或在 CONNECTION_STRINGS 里列出。当前文档列出十种引擎:
PostgreSQL、MySQL、Databricks、Snowflake、ClickHouse、Trino、Apache Kyuubi、HeavyDB、DuckDB、SQLite。
DuckDB 与 SQLite 仅支持连接串。凭证可进可选的 HashiCorp Vault。连接、库范围和凭据说明见 docs/connections.md。
「自动」指的是连接之后的 Generate,不是免去连库。文档、Wiki、聊天记录不能替代一张可 SELECT 的表。
7. 组件与使用面
| 组件 | 技术 | 角色 | 端口 |
|---|---|---|---|
| Frontend | Next.js、Better Auth、Prisma | 网页、登录、对外 API 网关 | 3000 |
| Backend | FastAPI、LangChain | Text-to-SQL、目录、本体 API | 3001 |
| Ingestion | FastAPI | 摄入与语义编译 | 3002 |
| MCP | FastMCP | 只读工具,转发到公开 API | 3003 |
| Postgres + pgvector | PostgreSQL 17 | 应用元数据、目录、本体、向量 | 5432 |
| Vault | 可选 | 连接凭据 | — |
3001 / 3002 应留在私网。FastAPI 信任前端转发的 x-auto-ontology-user-id;摄入接口(ingest / delete / reset / compile)自身无鉴权。浏览器和外部客户端走 3000。
本地 Quickstart(官方): Docker Compose v2、uv、NVIDIA API key。克隆仓库并填写 .env,拉起 Postgres,用 auto-ontology-eval 灌入 Microsoft Wide World Importers,再 docker compose up -d --build。打开 http://localhost:3000 登录,在 Settings → Semantic Compilation 打开编译,就绪后在 Chat 提问。生产用 Helm,见 DEPLOYMENT.md。
REST: POST /api/chat/completions(网页同源),用用户菜单里签发的 API Token。响应为 SSE:result 事件带答案和 SQL,data: [DONE] 结束。
MCP: 进程本身不持有库账号和模型配置,只把调用转到 3000 上的公开 API,权限等于登录用户。本地示例:
1
2
AUTO_ONTOLOGY_API_URL=http://localhost:3000
uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp
客户端指向 http://localhost:3003/mcp。协议要求用户在 Auto Ontology 上登录(OAuth);文档写明没有「给 MCP 进程贴一张永久密钥、让所有调用者冒充其主人」的配置。部署需提供 /.well-known/oauth-authorization-server。
| 工具 | 作用 |
|---|---|
check_readiness | 语义层是否已编译、库是否还能执行 SQL。二者缺一都会让后续提问又慢又含糊 |
search_terms / get_term / get_term_columns / get_term_sql_attributes / get_sql_attribute | 读术语和口径 |
describe_table | 某表参与了哪些术语和 SQL 属性 |
check_answerable | 这题本体盖不盖得住,应作为廉价预检 |
ask_question | 主工具:答案、SQL、行(最多 100 行)。内部多次调模型,常要数十秒 |
故意没有「浏览原始 schema / 裸列」的工具,避免 Agent 绕过语义层猜表。ask_question 走与网页 Chat 相同的完整 Text-to-SQL Agent,不应作为默认的第一跳;握手时的 instructions 也按「先可答性、再提问」编排。
另有三个编码 Agent 技能:nvidia-ontology-setup、nvidia-ontology-management、nvidia-ontology-query,入口见仓库 AGENTS.md。
8. 和问数产品的关系
二者同属「连上业务库 → 语义层 → 自然语言问数」。差别主要在语义层怎么出现,不在要不要配数据源。
| 术语库 + 示例 SQL | Auto Ontology | |
|---|---|---|
| 数据源 | 必须配置 | 必须配置 |
| 语义层怎么来 | 人维护术语,并提供示例 SQL | 从元数据自动出草稿,人再认证 |
| 问数 | 自然语言 → SQL | 自然语言 → SQL,答案附带语句和步骤 |
| 覆盖不到时 | 靠示例和提示约束 | 可先 check_answerable |
| 口径一致性 | 示例写对了就稳 | 认证后的 SQL 属性强制同指标同表达式 |
| 对 Agent | MCP | MCP(只读工具集) |
| 额外能力 | 相对轻,上手快 | Ossie 导入导出、多引擎、可答性、编译出 join |
可以把 Auto Ontology 理解成 同一赛道上更自动的语义层构建:表多、口径散、join 复杂时,少手写一批示例 SQL;问法固定、表就几张、术语已经写清时,术语库加示例 SQL 已经覆盖主要用途,自动编译的增量有限。
「更自动」只覆盖 Generate:读表、起术语名、猜关系、从查询历史建议 SQL 属性。
「更强」主要指:认证口径的复用、可答性预检、答案可核对 SQL、跨引擎连接和语义模型交换。
不是无人发布。草稿仍要人改描述、改表达式、点认证。不认证就拿去问生产指标,和问数产品没有示例 SQL 就开放查询一样不稳。
术语库一类产品执行查询;EvoOntology 一类插件只存映射,查数仍走宿主原有工具。Auto Ontology 把「存口径」和「跑 SQL」放在同一套服务里,因此更接近前者,并多了一段从元数据到草稿的编译。
9. 使用边界
- 连接必须先有。没有可执行的关系源,MCP 和 Chat 都没有数字。
- 编译质量依赖推理和嵌入模型。默认按 30B 级 NIM 设计;换成更小的兼容端点可以跑通,术语命名和 SQL 修复会变差。
ask_question耗时长、调用链深,适合作为「这题已经判定可答」之后的执行步,不适合当作所有问题的默认工具。- MCP 登录绑定具体用户权限,不便做成「服务账号一劳永逸」。需要固定密钥时,应走网页同源的 API Token 调 Conversation API,而不是指望 MCP 进程自带身份。
- 预测路径(KumoRFM)会把表送到外部托管服务,默认不要开。
- 高星标、NVIDIA 署名、且不接受外部 PR:适合作为可部署的问数语义层选项,不适合当成可以随意改内核的框架。
10. 小结
| 要点 | 结论 |
|---|---|
| 位置 | 关系库与问数 Agent 之间的已认证语义目录 |
| 产物 | 带 SQL 的数字;前提是源库已连接、术语和表达式已经过人 |
| 不是 | 文档库、对象—动作运行时、免连库的自动本体 |
| 和术语库问数 | 连库与问数同构;多出来的是元数据草稿、可答性检查和认证后的口径复用 |
把它当作结构化数据上的语义目录加受管 Text-to-SQL 来理解,比把它当作通用企业本体平台更准确。
