NVIDIA 开源 Auto Ontology：让 AI Agent 的 SQL 先过语义层

事件核心：发生了什么

根据 MarkTechPost 2026 年 11 月 1 日的报道，NVIDIA 发布了 Auto Ontology：一个从企业元数据自动构建语义层的开源库。它位于 Agent 与数据仓库之间，负责告诉 Agent 数据在哪、字段什么意思、是否可用、来自何处，并提供指标、实体和关系的可信定义。产品文档将其定位为“起始版本体”，仍需业务专家测试、修订和认证，而不是开箱即用的成品。

技术栈包括 4 个核心服务：Next.js 前端（3000 端口）、基于 LangChain 的 FastAPI 后端（3001 端口，负责对话与 NL-to-SQL）、写入嵌入的摄取 worker（3002 端口），以及带 pgvector 的 Postgres 存储目录、本体和向量。默认模型为 nvidia/nemotron-3-nano-30b-a3b，配套 Nemotron 嵌入与重排模型；推理可走托管的 NVIDIA NIM 或自托管 NIM。部署支持 Docker Compose 本地栈与 Helm/Kubernetes。数据源侧目前公开支持 Databricks、Postgres、Snowflake 和 DuckDB。

对外接口方面，MCP Server 提供 9 个只读工具，例如 ask_question 分字段返回答案、SQL 和结果行（上限 100 行），check_readiness 确认语义层已编译且数据库可连通；底层 OpenAPI 规格公开 87 个操作，登录走 OAuth，每次调用携带当前用户权限。

为什么重要

素材中引用的一句判断很直白：一个快速给出的营收数字如果本身是错的，就没有价值。Text-to-SQL 长期卡在“能生成 SQL”和“生成业务认可的 SQL”之间，Auto Ontology 的思路是把 MCP、CLI 和 API 变成 Agent 的统一入口，刻意不开放原始 schema 浏览，迫使 Agent 经由语义层取数。这一设计与 MCP 生态的扩散方向一致，也意味着语义层竞争从 BI 工具的内置能力，转向可被任意 Agent 调用的开放基础设施。目前公开信息显示，它与 Wren AI、Cube Core、dbt MetricFlow 同为 Apache 2.0 路线的可选方案，但“元数据生成+人工认证”的构建方式与后三者基于代码定义的做法不同。

对用户/开发者/创作者的影响

对开发者而言，价值在于可以按 OpenAI 兼容端点接入自有模型，分别配置推理、非推理、嵌入和重排角色；已有 Databricks 或 Snowflake 仓的企业，可以用较低成本得到一个可评审的起始本体，再逐项认证指标口径。对数据团队，这意味着工作重心从“写 SQL”转向“维护并认证业务定义”。需要提醒的是，NVIDIA 自报的“本体创建时间缩短 90%”属于厂商内部测试，尚无第三方复现。

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。

了解 GamsGo AI

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。

评估方面，NVIDIA 另发 auto-ontology-eval 评测框架，采用确定性执行匹配、不设 LLM 裁判，内置 BIRD Dev（1,534 题、11 个数据库）、Mini-Dev（500 题）、FDABench-Lite（169 题）和 BEAVER 的 100 题样本。但该仓库目前只交付测试脚手架，尚未公布 text-to-SQL 准确率数值；其测试配置还让两组实验都经由 NVIDIA 推理网关上的 Claude 模型，且可选 few-shot 示例仅供给本体组，因此测出的差值不能简单等同于“语义层带来的增益”。

值得关注的后续

一是 NVIDIA 是否会补齐公开评测结果，尤其是与 schema-only 对照组的准确率差距；二是语义层认证流程能否产品化，降低业务专家介入成本；三是 Wren AI、Cube、dbt 等竞品是否跟进 MCP 接口与元数据自动生成本体的能力。

来源：MarkTechPost Research