auto-ontology：NVIDIA 开源企业语义层，给 Agent 一个不敢算错数的底座

Agent 能查文档、能查数据库，但企业分析场景卡在可靠上：营收指标回答得再快，数字错了就是零分。NVIDIA 开源的 auto-ontology（Apache-2.0，Python，截至 2026-11-04 有 4,789 星，公众号文章称其登顶 GitHub Trending）给 Agent 铺的就是那层「不敢算错」的底座：从企业元数据生成本体（ontology），跨系统调和指标与实体的定义，构建 AI 就绪的知识图谱，再通过 MCP、CLI、API 把这层可信语义暴露给任意 Agent harness——「数据在哪、是什么、能不能用、怎么用、从哪来」五问全部有据可查。

核心功能

• Discover：从元数据自动生成企业本体，可接入既有本体与语义模型，产出 AI 就绪的知识图谱。
• Ground：给 Agent 提供可信的业务语义——指标、实体、关系的企业级定义，跨系统不一致的定义自动调和。
• Validate：Agent 生成的查询对着「认证过的定义与血缘」校验，每个答案附带出处（provenance）。
• NL 查询即服务：自然语言问题转 SQL 并在已连接的数据库上执行，由 NVIDIA NIM 驱动。
• 工程完整度：Postgres 存储语义目录、Better Auth 做认证与 RBAC、自带聊天/分析/数据目录 Web UI、Helm 图或 Docker Compose 两种部署。

典型使用场景

• 企业数据分析 Agent：让 Agent 直接回答「上季度华东区净留存多少」这类指标问题，且每个数字带血缘出处。
• 跨系统口径调和：三个系统里「活跃用户」三种定义，本体层统一后才谈得上自动化。
• 给自建 Agent 装语义层：已有语义模型（如 dbt 指标层）的企业可把 auto-ontology 当作补全与暴露层。

快速上手

git clone https://github.com/NVIDIA/auto-ontology.git

本地可用 Docker Compose 起整套栈，Kubernetes 用 Helm chart；文本转 SQL 的效果基准（BIRD）配套了独立的 ontology-sql-eval 仓库可自行复测。接线方式有三条——MCP 给 Claude Code 这类 Agent、CLI 给脚本编排、API 给自建平台，语义层装好后三边同时生效，不用各接一遍。

小结

auto-ontology 适合有正经数据仓库、要让 Agent 接触业务指标的企业；个人小项目或纯文档问答场景用不上它——它的价值全在「企业元数据」这四个字上。要点与边界：Apache-2.0、Python；NL 转 SQL 由 NVIDIA NIM 驱动（意味着最好已经在 NIM 生态里）；与本体相关的仓库明确声明不接受外部贡献，定制要走 fork。它对准的痛点与本站写过的 agent-autoloop 是同一条链的两端——autoloop 解决「Agent 怎么持续干活」，auto-ontology 解决「Agent 干活时依据什么」：没有可信语义层，跑得再勤也只是更快地算错。