英伟达开源 Auto Ontology：用语义层约束智能体写 SQL

英伟达开源了 Auto Ontology，采用 Apache 2.0 许可证。这是一个从企业元数据构建上下文（语义）层的库，智能体借助这一层，针对经认证的业务定义来编写 SQL。项目仓库对问题的表述很直接：营收数字答得再快，算错了就毫无价值。据 MarkTechPost 报道，英伟达目前没有公布任何 text-to-SQL 准确率得分，只给出了本体创建时间缩短 90% 的自报数据。

它做什么

Auto Ontology 位于智能体和数据仓库之间，告诉智能体数据在哪里、字段是什么含义、该不该用、怎么用，以及数据从哪里来。它承担五项任务：

1. Discover：从元数据生成本体，并接入已有的语义模型。
2. Ground：为指标、实体和关系提供可信的业务含义。
3. Validate：按认证过的定义和数据血缘校验生成的查询。
4. Expose：通过 MCP、CLI 和 API 提供上下文。
5. Learn：把经认证的纠正反馈回本体。

英伟达的开发者页面把生成结果定位为一个起点，仍需业务专家测试、精炼并认证。

技术栈与 MCP 接口

整套服务包含 4 个核心部分：

• Next.js 16 前端，负责 Web 界面和身份验证，端口为 3000。
• 集成 LangChain 的 FastAPI 后端，负责聊天、自然语言转 SQL 和目录 API，端口为 3001。
• 写入嵌入向量的 ingestion worker，端口为 3002。
• 带 pgvector 的 Postgres，存储目录、本体和向量。

支持的数据源为 Databricks、Postgres、Snowflake 和 DuckDB。默认大模型是 nvidia/nemotron-3-nano-30b-a3b，任何兼容 OpenAI API 的端点都可以接入。

MCP 服务器暴露 9 个只读工具。ask_question 把答案、SQL 和行数据分开返回，结果上限为 100 行；check_readiness 用来确认已编译的语义层和实时数据库连接都存在。系统刻意没有提供浏览原始 schema 的工具，智能体只能通过语义层取数。底层 OpenAPI 规范公开 87 个操作，登录走 OAuth，每次调用都携带登录用户的权限。

评测：只有测试框架，没有成绩

英伟达另行开源了评测工具包 auto-ontology-eval。它在 NeMo Gym 中对比两组：只提供 schema 的 LLM 对照组，以及基于本体接地的智能体组，用确定性的执行匹配打分，不使用 LLM 评审。内置数据集包括 BIRD Dev（1,534 题、11 个数据库）、Mini-Dev（500 题）和 FDABench-Lite（169 题），BEAVER 默认抽样 100 题。

评测仓库披露了两点限制：

• 可选的 few-shot 示例和取值锚点只提供给本体组，带上它们测得的差值，包含的是这些输入的作用，而不只是接地的作用。
• 其测试配置让两组都经英伟达推理网关调用 Claude 模型。

因此，评测仓库提供的是框架而非结果。要判断效果，用户需要在自己的数据上跑一遍。

部署方式

本地部署填好 .env 后执行 docker compose up -d --build 即可；Kubernetes 用户可使用 Helm chart 和 DEPLOYMENT.md。后端镜像发布在 NGC 容器目录，使用默认模型需要 build.nvidia.com 的 NVIDIA API 密钥。

MarkTechPost 在对比表中称，Auto Ontology 的语义层由元数据生成后再认证，Wren AI 的数据源为 22+ 种，Cube Core 与 dbt MetricFlow 则是以代码定义语义层。

来源

• https://qingyuntop.ai/article/nvidia-auto-ontology-semantic-layer