掘金「一天一个开源项目」系列第254篇介绍了 NVIDIA 开源的 Auto Ontology。该项目不是简单让大模型把自然语言翻译成 SQL，而是在 Agent 与数据库之间加入一层可认证的语义层。它会先从企业元数据中整理业务术语、SQL 表达式和表间关系，再经过人工测试与认证，供 Agent 在回答时使用。当已有定义不足以支撑问题时，系统会明确说明无法回答，而不是继续生成看似可执行但口径存疑的查询。
数据问答的真正难点，不只是 SQL 语法
让 Agent 查询企业数据时，常见错误并不一定来自 SQL 语法，而来自业务语义。比如收入是否含税、活跃用户按什么口径统计、不同系统中的客户表是否指向同一实体，都会影响最终数字。模型可以根据表名和列名写出一条能够运行的 SQL，但如果口径理解错误，结果仍然不可用。
Auto Ontology 的做法是先建立「上下文层」。它会从元数据中发现术语、可复用的 SQL 属性和表与表之间的关系，再由人进行测试、修正和认证。项目 README 将能力概括为 Discover、Ground、Validate、Expose、Learn 五个动词，其中 Learn 指经过认证的修正和使用情况可以回流到本体。官方定位是从企业元数据构建 AI Agent 的上下文层，调和不同系统中的定义，并通过 MCP、CLI 和 API 对外提供。项目设计为与企业已有语义模型并存，而不是取代现有体系。GitHub 描述还提到，它希望在数据之上构建语义化、基于图的推理层，以改善上下文检索，并让 LLM 和 Agent 工作流更可解释。
本体里存什么：术语、SQL 属性与表关系
在 Auto Ontology 中，语义层主要包含三类内容。
- 术语：业务概念及其描述、同义词和列映射。
- SQL 属性：经过审核的表达式，例如毛利率如何计算。
- 关系：表间连接关系，包括桥接表，可由键和数据推断。
整个流程分为三步。第一步是 Generate，系统读取数据源，对列做画像，逐表抽取术语；同时从查询历史推断关系，并建议 SQL 属性。生成结果会写入 PostgreSQL，向量数据存入 pgvector。第二步是 Certify，由人用真实问题测试，修正并认证名称、描述和 SQL 属性。第三步是 Answer，Agent 识别用户意图、抽取实体，再通过嵌入检索候选定义，随后生成 SQL，并校验过滤值与查询本身；如果失败，会尝试修复。最终返回的不只是答案，还包括 SQL 和相关步骤。
如果候选语义内容不足以支撑查询，Auto Ontology 会说明无法回答。对于预测类问题，素材提到可以转给第三方 KumoRFM，但需要自行配置。
部署与安全：示例可跑，接入前需先改默认配置
该项目需要 Docker（Compose v2）、uv，以及一个 NVIDIA API Key，Key 以 nvapi- 开头。官方使用 Wide World Importers 示例库演示：先克隆仓库并配置环境变量，包括 DEFAULT_MODELS_API_KEY、AUTH_SECRET、APP_URL、POSTGRES_PASSWORD、CONNECTION_STRINGS 以及管理员和 pgAdmin 密码；随后启动 PostgreSQL，导入示例数据，再构建并打开本地页面。用户可在 Settings 的 Semantic Compilation 中启用编译，并在 Chat 中提问。官方示例中，一次编译产生了 31 个术语。
部署层面有几个需要特别注意的边界。素材提到，3001 和 3002 端口应保持私有，因为摄取接口自身没有认证；Docker Compose 会把服务发布到宿主机，因此默认密码必须全部修改。仓库中另有 DEPLOYMENT.md，说明如何用 Helm 部署到 Kubernetes。项目还支持与 Apache Ossie 的 YAML 格式导入导出，便于与已有语义模型互通。
此外，GitHub 仓库描述中提到 deterministic query generation，但 README 并没有这样描述。按照素材，更准确的理解是：业务定义来自人工认证，具有确定性；SQL 生成仍由 LLM 完成，随后经过校验与修复。如果业务场景要求结果完全可复现，使用者需要自行验证。
对数据 Agent 的启发
Auto Ontology 的关注点不是让模型更快写出 SQL，而是把生成前的业务定义、生成后的校验步骤放到更靠前的位置。对于企业数据场景，这种路径比单纯追求自然语言转 SQL 更接近实际落地需求。
它也让 Agent 的边界更清楚：当语义依据不足时，系统应承认无法回答，而不是给出一条能运行但不可信的查询。这把问题从「模型能不能写 SQL」转回「业务定义是否已被确认」。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/nvidia-kai-yuan-auto-ontology-rang-shu-ju-agent-xian-que
