NVIDIA mette le definizioni delle metriche davanti all'agente. È quella la parte difficile.

Chiedete a tre team della stessa azienda che cosa sia il ricavo e otterrete tre definizioni che suonano tutte ragionevoli e non coincidono. Finance conta le prenotazioni. Sales conta il valore contrattualizzato. La dashboard conta il ricavo riconosciuto, al netto dei rimborsi, su un calendario che il team finance ha cambiato il trimestre scorso.
Un agente che scrive SQL in due secondi non risolve il problema. Lo rende più veloce.
NVIDIA Auto Ontology è una libreria aperta che punta esattamente su questo guasto. Costruisce un'ontologia dai metadati aziendali, riconcilia le definizioni in conflitto tra i sistemi e serve il risultato a qualunque harness di agenti via MCP, CLI e API. Apache 2.0, circa 8,900 stars e un README che apre con l'argomento invece che con l'architettura: una metrica di ricavo risposta più in fretta non vale niente se il numero è sbagliato.
Quattro verbi, un ciclo
La libreria è organizzata intorno a ciò che fa al contesto.
Discover: generare un'ontologia dai metadati, oppure collegare un modello semantico già esistente. Ground: attaccare un significato di business verificato a metriche, entità e relazioni, e riconciliare le definizioni che non concordano. Validate: controllare le query generate contro definizioni certificate e lineage, e restituire la provenienza insieme a ogni risposta. Expose: servire quel contesto via MCP, CLI e API.
Ce n'è un quinto, pubblicizzato meno: Learn. Correzioni e utilizzo rientrano nell'ontologia, così il contesto condiviso migliora mentre la gente lo usa.
È quest'ultimo passaggio a separare il progetto da un data catalog. Un catalogo è un documento che invecchia. Uno strato che assorbe correzioni è un sistema che può restare accurato, se qualcuno si prende la briga di correggere.
Che cosa viene messo in piedi
Lo stack pesa più di un tool da CLI e il README lo dice apertamente.
Un frontend Next.js 16 con Better Auth e Prisma sulla porta 3000 gestisce interfaccia, autenticazione e gateway pubblico delle API. Un backend FastAPI sulla 3001 esegue l'agente text-to-SQL e le API di catalogo e ontologia. Un worker di ingestione sulla 3002 acquisisce dati tabellari e scrive gli embedding. Un server FastMCP sulla 3003 espone tool in sola lettura. Postgres 17 con pgvector sulla 5432 tiene catalogo, ontologia, dati applicativi e vector store. HashiCorp Vault è opzionale, per le credenziali di connessione.
L'inferenza passa da NVIDIA NIM, il catalogo API ospitato oppure endpoint self-hosted. Il deploy è un chart Helm per Kubernetes o Docker Compose per uno stack locale. C'è un percorso di valutazione text-to-SQL BIRD in un repository separato.
La superficie MCP è la parte che la maggior parte dei team toccherà davvero. Nove tool in sola lettura, divisi per mestiere: `check_readiness` dice se il deployment è in grado di rispondere a qualcosa, `search_terms`, `get_term` e `describe_table` gestiscono le ricerche, `check_answerable` chiede se l'ontologia copre una domanda prima che l'agente bruci una chiamata, e `ask_question` restituisce insieme risposta, SQL e righe.
Quella tripletta finale è la scelta di design. Restituire l'SQL accanto alla risposta significa che una persona può controllare la query, e restituire le righe significa che l'agente si può confrontare con quello che ha affermato. Un agente che restituisce solo un numero non è falsificabile.
Collegarlo a un client sono due righe. Puntate `AUTO_ONTOLOGY_API_URL` sul vostro deployment ed eseguite `uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp`. Cursor riceve `{"url": "http://localhost:3003/mcp"}` in `mcp.json`. Claude Desktop fa da ponte con `mcp-remote`.
Le note di sicurezza sono la parte interessante
Il README contiene un paragrafo che quasi tutti i progetti open source lascerebbero fuori.
Tenete le porte 3001 e 3002 su una rete privata. Il backend FastAPI si fida dell'identità utente che il frontend inoltra nell'header `x-auto-ontology-user-id`. Gli endpoint del servizio di ingestione, che includono ingest, delete, reset e compile, non hanno autenticazione propria. I client dovrebbero passare dall'app web sulla porta 3000.
Leggetelo come descrizione dell'architettura e avvertimento insieme. Fidarsi dell'identità via header è un pattern normale dietro un reverse proxy e un disastro se il backend è raggiungibile. Un endpoint di ingestione senza auth che può cancellare e resettare è una pistola carica puntata sul vostro catalogo.
I deployment di livello demo documentati con questa onestà hanno quasi sempre esattamente questa forma, e NVIDIA non è il primo team a consegnarne uno. Il valore è che il progetto lo dice a voce alta invece di lasciarvelo scoprire.
Che cosa non significa aperto, qui
Il progetto è Apache 2.0 e dichiara esplicitamente di non accettare contributi esterni. Il team mantiene il codice, raccoglie richieste di integrazione e bug report come issue, e instrada le segnalazioni di sicurezza su un processo separato.
È una posizione deliberata che si vede sempre più spesso: pubblicare il codice, tenersi la roadmap. Per un'azienda che costruisce uno strato di contesto per l'analytics, lo schema dell'ontologia e le skill dell'agente sono l'interfaccia che vuole controllare, e accettare patch sull'una o sull'altra rallenterebbe la parte che deve restare coerente.
La conseguenza pratica per un team che lo valuta: potete leggere ogni riga e farlo girare dove volete, e non potete farvi mergiare una correzione. Mettete in conto un fork.
Un dettaglio in più che vale la pena segnalare. Auto Ontology è compatibile con Apache Ossie, uno standard aperto per scambiare modelli semantici, con import ed export dall'interfaccia oppure via `POST /api/model/import` e `/api/model/export`. Se la vostra organizzazione tiene già modelli semantici in un altro strumento, quel convertitore è la differenza tra un progetto di migrazione e un pomeriggio.
C'è anche un percorso predittivo opzionale tramite KumoRFM, un servizio ospitato. Quando è attivo, l'agente carica lì le tabelle collegate, con un tetto di 20 tabelle per impostazione predefinita e righe illimitate se non mettete un limite. Il README vi dice di controllare che cosa parte prima di accenderlo. Prendetelo sul serio; è l'unica funzione dello stack i cui dati escono dalla vostra rete.
Perché questa categoria esiste adesso
L'analytics agentica si porta dietro un anno brutto. Gli agenti che interrogano un warehouse sono facili da costruire. Quelli che restituiscono il numero che un CFO firmerebbe no, perché il guasto è silenzioso: un numero plausibile, da una query plausibile, contro una definizione che nessuno ha verificato.
La soluzione abituale è stato il prompt engineering, cioè chiedere al modello di stare attento. La soluzione che dura è dare al modello un dizionario certificato e un validatore, e rifiutarsi di rispondere quando la domanda sta fuori. `check_answerable` esiste proprio perché l'agente possa declinare.
Se questo diventi infrastruttura o un'implementazione di riferimento dipende dall'adozione, e l'adozione dipende da quante aziende hanno un modello semantico abbastanza pulito da importare. Quel numero è più piccolo del numero di aziende che credono di averlo.
La direzione, però, è giusta. La parte costosa dell'analytics non è mai stato l'SQL. Era mettersi d'accordo su che cosa significano le colonne, e ricordarsi quell'accordo sei mesi dopo. Mettere quell'accordo dentro il contesto dell'agente, con il lineage attaccato a ogni risposta, è la cosa meno appariscente e più portante che chiunque abbia rilasciato questa settimana.
Articoli correlati
Un foglio di calcolo comunitario di tocchi che spegne la pubblicità negli Android cinesi
Non tocca il sistema, non sblocca niente, non flasha niente. Ribalta solo gli interruttori che i produttori hanno già previsto. Il prezzo è una lista che qualcuno deve continuare a scrivere.
GPT Image 2.6 ha tenuto il prezzo dei token e alzato la fattura
GPT Image 2.6 conserva ogni tariffa per token di 2.5 e costa comunque di più per immagine, perché buona parte del lavoro passa ora nei token di output. Undici giorni dopo il lancio, la struttura dei prezzi dice più della classifica.
Qualcuno ha ricostruito IDM dall'esterno e ha scritto cosa non ha toccato
Una reimplementazione in Rust di Internet Download Manager promette 5 volte la velocità e 86 lingue. Il documento più interessante è il paragrafo che spiega come è stata costruita senza copiare nulla.
Rune è un framework UI per Rust costruito perché un agente possa verificare il proprio lavoro
Rune renderizza headless, esporta il suo albero di elementi e accetta input scriptato, dando a un agente di coding un segnale diffabile che nessuno screenshot può offrire. Il framework è in pre-release e non accetta pull request.