一句话看懂：NVIDIA 开源 Auto Ontology，在数据 Agent 与数据库之间加一层由人认证的语义层，让 Agent 基于审核过的业务口径写 SQL，候选覆盖不足时明确拒答，而不是硬答一个能跑但算错的查询。
事件核心：发生了什么
据掘金「一天一个开源项目」系列 2026 年 11 月的文章，NVIDIA 开源了 Auto Ontology（Apache-2.0，Python 编写，GitHub 约 5,670 Stars）。它的做法是先从企业元数据中自动抽取业务术语、可复用 SQL 表达式和表间关系，经人工测试、修正、认证后，再让 Agent 基于这些定义回答问题。项目 README 将能力归为 Discover、Ground、Validate、Expose、Learn 五步。接入方式包括只读 MCP 服务、REST 接口（/api/chat/completions）和 Skills，支持 10 种数据库，模型默认使用 NVIDIA NIM 或任意 OpenAI 兼容端点。
为什么重要
企业 Text-to-SQL 最常见的失败不是语法，而是口径：revenue 含不含税、active user 由谁定义、两套系统里的 customer 是不是同一张表。Auto Ontology 把「定义由人认证、SQL 由模型生成、结果再校验」拆开，响应里附带 SQL 和推理步骤，可解释性更强。官方示例库编译一次生成 31 个术语；问广告支出回报率时覆盖度为 0.5，Agent 选择追问而非猜测。目前公开信息显示，它设计为与客户已有语义模型并存，而非取代。不过仓库所称的「确定性查询生成」实际仍依赖 LLM 写 SQL，只适合作为可靠性增强，不宜理解为结果完全可复现。
对用户/开发者/创作者的影响
正在做企业数据问答或分析 Agent 的团队，可以把它当作现成的上下文层原型：先用 Wide World Importers 示例库跑通，观察术语如何生成、check_answerable 如何拒答，再接自建测试库。部署时需注意：摄取服务自身没有认证，3001 和 3002 端口应限制在内网；默认密码必须更换。项目不接受外部 PR，社区反馈只能走 Issue。启用 KumoRFM 预测功能会把关联表上传至托管服务，默认上限 20 张，需评估数据外泄风险。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是认证后的语义层能否在真实企业口径下维持覆盖率与准确率；二是仅靠 Issue 的社区路径能否形成生态；三是「人工认证 + 检索 + 校验」这套可靠性设计是否会被更多数据 Agent 产品借鉴。
来源：juejin
