NVIDIA pone las definiciones de métricas delante del agente. Esa es la parte difícil.

Pregunte a tres equipos de la misma empresa qué es el ingreso y recibirá tres definiciones que suenan razonables y no coinciden. Finanzas cuenta reservas. Ventas cuenta el valor contratado. El panel cuenta ingreso reconocido, neto de devoluciones, con un calendario que el equipo de finanzas cambió el trimestre pasado.
Un agente que escribe SQL en dos segundos no arregla esto. Lo acelera.
NVIDIA Auto Ontology es una biblioteca abierta que apunta justo a ese fallo. Construye una ontología a partir de metadatos de la empresa, reconcilia definiciones en conflicto entre sistemas y sirve el resultado a cualquier harness de agentes vía MCP, CLI y API. Apache 2.0, unas 8,900 stars y un README que abre con el argumento en lugar de la arquitectura: una métrica de ingreso contestada más rápido no vale nada si el número está mal.
Cuatro verbos, un bucle
La biblioteca está organizada alrededor de lo que hace con el contexto.
Discover: generar una ontología desde metadatos o conectar un modelo semántico existente. Ground: colgar significado de negocio confiable de métricas, entidades y relaciones, y reconciliar las definiciones que no coinciden. Validate: comprobar las consultas generadas contra definiciones certificadas y linaje, y devolver procedencia con cada respuesta. Expose: servir ese contexto por MCP, CLI y API.
Hay un quinto, menos publicitado: Learn. Las correcciones y el uso vuelven a la ontología, así que el contexto compartido mejora mientras la gente lo usa.
Ese último paso es lo que separa esto de un catálogo de datos. Un catálogo es un documento que se queda viejo. Una capa que ingiere correcciones es un sistema que puede seguir siendo exacto, si alguien se toma la molestia de corregir.
Qué se despliega
El stack pesa más que una herramienta de CLI y el README lo dice sin rodeos.
Un frontend Next.js 16 con Better Auth y Prisma en el puerto 3000 se encarga de la interfaz, la autenticación y la pasarela pública de API. Un backend FastAPI en 3001 ejecuta el agente de text-to-SQL y las APIs de catálogo y ontología. Un worker de ingesta en 3002 ingiere datos tabulares y escribe embeddings. Un servidor FastMCP en 3003 expone herramientas de solo lectura. Postgres 17 con pgvector en 5432 guarda el catálogo, la ontología, los datos de la aplicación y el almacén vectorial. HashiCorp Vault es opcional, para credenciales de conexión.
La inferencia va por NVIDIA NIM, ya sea el catálogo de API alojado o endpoints propios. El despliegue es un chart de Helm para Kubernetes o Docker Compose para una pila local. Hay una ruta de evaluación text-to-SQL BIRD en un repositorio aparte.
La superficie MCP es la parte que la mayoría de los equipos va a tocar de verdad. Nueve herramientas de solo lectura, separadas por tarea: `check_readiness` dice si el despliegue puede responder algo, `search_terms`, `get_term` y `describe_table` resuelven las búsquedas, `check_answerable` pregunta si la ontología cubre una pregunta antes de que el agente gaste una llamada, y `ask_question` devuelve juntas la respuesta, el SQL y las filas.
Esa última terna es la opinión de diseño. Devolver el SQL junto a la respuesta significa que una persona puede auditar la consulta, y devolver las filas significa que se puede contrastar al agente con lo que afirmó. Un agente que solo devuelve un número no es refutable.
Conectarlo a un cliente son dos líneas. Apunte `AUTO_ONTOLOGY_API_URL` a su despliegue y ejecute `uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp`. Cursor recibe `{"url": "http://localhost:3003/mcp"}` en `mcp.json`. Claude Desktop se puentea con `mcp-remote`.
Las notas de seguridad son la parte interesante
El README incluye un párrafo que la mayoría de los proyectos abiertos omitiría.
Mantenga los puertos 3001 y 3002 en una red privada. El backend FastAPI confía en la identidad de usuario que el frontend reenvía en la cabecera `x-auto-ontology-user-id`. Los endpoints del servicio de ingesta, que incluyen ingest, delete, reset y compile, no tienen autenticación propia. Se supone que los clientes pasan por la aplicación web en el puerto 3000.
Léalo como descripción de arquitectura y advertencia a la vez. Confiar en la identidad por cabecera es un patrón normal detrás de un proxy inverso y catastrófico si el backend es accesible. Un endpoint de ingesta sin auth que puede borrar y reiniciar es un arma cargada apuntando a su catálogo.
Los despliegues de nivel demo documentados con esta honestidad suelen tener exactamente esta forma, y NVIDIA no es el primer equipo que entrega uno. El valor está en que el proyecto lo dice en voz alta en lugar de dejar que usted lo descubra.
Qué no significa abierto aquí
El proyecto es Apache 2.0 y no acepta contribuciones externas de forma explícita. El equipo mantiene el código, recibe pedidos de integración y reportes de bugs como issues, y canaliza los reportes de seguridad por un proceso aparte.
Es una postura deliberada que aparece cada vez más: publicar el código, quedarse la hoja de ruta. Para una empresa que construye una capa de contexto para analítica, el esquema de la ontología y las skills del agente son la interfaz que quiere controlar, y aceptar parches en cualquiera de las dos frenaría la parte que tiene que mantenerse coherente.
La consecuencia práctica para un equipo que lo evalúa: puede leer cada línea y ejecutarlo donde quiera, y no puede conseguir que le fusionen un arreglo. Cuente con hacer un fork.
Un detalle más que vale la pena señalar. Auto Ontology es compatible con Apache Ossie, un estándar abierto para intercambiar modelos semánticos, con importación y exportación por la interfaz o por `POST /api/model/import` y `/api/model/export`. Si su organización ya mantiene modelos semánticos en otra herramienta, ese conversor es la diferencia entre un proyecto de migración y una tarde.
También hay una ruta predictiva opcional mediante KumoRFM, un servicio alojado. Cuando se activa, el agente sube allí las tablas conectadas, con un tope de 20 tablas por defecto y filas ilimitadas salvo que ponga un límite. El README le dice que revise qué envía antes de encenderlo. Tómelo en serio; es la única función del stack cuyos datos salen de su red.
Por qué esta categoría existe ahora
La analítica con agentes lleva un mal año encima. Los agentes que consultan un almacén son fáciles de construir. Los que devuelven el número que un CFO firmaría, no, porque el fallo es silencioso: un número plausible, de una consulta plausible, contra una definición que nadie comprobó.
El arreglo habitual ha sido ingeniería de prompts, es decir, pedirle al modelo que tenga cuidado. El arreglo duradero es darle al modelo un diccionario certificado y un validador, y negarse a responder cuando la pregunta queda fuera. `check_answerable` existe justo para que el agente pueda declinar.
Que esto acabe siendo infraestructura o una implementación de referencia depende de la adopción, y la adopción depende de cuántas empresas tienen un modelo semántico lo bastante limpio para importar. Ese número es menor que el número de empresas que creen tenerlo.
Aun así, la dirección es la correcta. La parte cara de la analítica nunca fue el SQL. Fue ponerse de acuerdo en qué significan las columnas, y acordarse del acuerdo seis meses después. Meter ese acuerdo dentro del contexto del agente, con linaje en cada respuesta, es lo menos vistoso y lo más estructural que se publicó esta semana.
Artículos relacionados
Una hoja de cálculo comunitaria de toques que apaga la publicidad de los Android chinos
No toca el sistema, no desbloquea nada, no flashea nada. Solo mueve los interruptores que los fabricantes ya dejaron a la vista. El precio es una lista que alguien tiene que seguir escribiendo.
GPT Image 2.6 mantuvo el precio por token y subió la factura
GPT Image 2.6 mantiene cada tarifa por token de 2.5 y aun así cuesta más por imagen, porque buena parte del trabajo ocurre ahora en tokens de salida. Once días después del lanzamiento, la estructura de precios dice más que el ranking.
Alguien reconstruyó IDM desde fuera y anotó lo que no tocó
Una reimplementación en Rust de Internet Download Manager promete 5 veces la velocidad y 86 idiomas. El documento más interesante es el párrafo que explica cómo se construyó sin copiar nada.
Rune es un framework de UI en Rust creado para que un agente pueda comprobar su propio trabajo
Rune renderiza sin interfaz, vuelca su árbol de elementos y acepta entrada programada, lo que da a un agente de código una señal diffeable que una captura nunca ofrece. El framework está en prelanzamiento y no acepta pull requests.