← 返回部落格
Ai預計閱讀 9 分鐘

NVIDIA 想讓代理先知道數字是什麼意思,再去查它

發布於 2026年11月14日
NVIDIA 想讓代理先知道數字是什麼意思,再去查它

text-to-SQL 的賣點一直是速度。用英文問一個問題,幾秒鐘拿到一個數字,不用排隊等分析師。真正上線過這類系統的人都知道這個賣點有個洞:快速給出的錯數字,比慢慢算出的對數字更糟,因為沒人會去複核那個快的。

NVIDIA 的 Auto-Ontology 就是從這個洞開始的。它在 GitHub 上線第一週拿到大約 4,100 顆星,現在超過 12,500 顆。README 用一句話把論點說完了:代理能檢索文件,能查資料庫,但可靠性卡住了代理分析這件事;一個營收指標答得再快,數字錯了就一文不值。

它做出來的東西是一層脈絡,夾在代理和資料之間。不是向量索引,也不是更大的提示詞。是一份本體:有哪些資料,這些資料是什麼意思,該不該用,該怎麼用,從哪裡來,跟什麼相似。

五個動詞

這個函式庫按五種能力來組織,命名難得地誠實,一看就知道每一塊是幹什麼的。

Discover 從元資料裡生成企業本體,接上你已經有的本體和語意模型,把知識圖譜建起來。這一塊必須對付現實:大多數公司對「活躍客戶」有三種定義,而且沒有紀錄說明儀表板用的是哪一種。

Ground 給代理可信的業務含義,涵蓋指標、實體和關係,同時把各系統之間不一致的定義調和到一處。實際做起來,這是五個裡面最難也最不光鮮的一個:總得有人拍板說財務的定義算數,工具的任務是讓這個決定看得見、也能被執行。

Validate 拿已認證的定義和血緣去檢查生成的查詢,每個答案都附上出處。那一行出處才是真正的產品。一個數字如果帶著定義和血緣,就可以被爭論。沒有這些的數字,只能選擇相信或者不理。

Expose 透過 MCP、CLI 或 API 把這層脈絡提供給任何代理框架。Learn 把認證過的修正和使用紀錄折回本體,讓共享的脈絡隨著每一次提問變得更好。

最後這一條是整個閉環裡唯一真正新的東西。多數語意層是一堆會爛掉的文件。這個專案把人做的修正當成這一層自己的訓練資料。

技術堆疊長什麼樣

以這個專案的野心來說,部署這件事普通得讓人鬆一口氣,而如果你是那個要把它跑起來的人,這一點很重要。

前端是 Next.js 16,配 React 19、TypeScript 和 Tailwind 4,加上 Better Auth 和 Prisma。語意目錄和本體都放在 Postgres 裡,跟它們所描述的那份目錄待在一起。自然語言查詢走 NVIDIA NIM。介面上有對話、分析、資料目錄、報表和設定幾個頁面。

本地最快的方式是用 Docker Compose 對著 Wide World Importers 跑,這是微軟的銷售範例庫。需要裝了 Compose v2 的 Docker、`uv`,還有 build.nvidia.com 給的 NVIDIA API key。步驟是:複製儲存庫,建立 `.env`,起 Postgres,從另一個評測儲存庫匯入範例資料,然後 `docker compose up -d --build`。打開 `localhost:3000`,用 `.env` 裡的管理員帳號登入,進 Settings → Semantic Compilation 把它打開。資料匯入在啟動時跑,編譯馬上開始,完成時會顯示「Semantic compilation is ready」。

Kubernetes 上有 Helm chart。授權條款是 Apache 2.0,README 直說專案不接受外部貢獻,在你打算走 fork 再打補丁這條路之前,這一點值得先知道。

設計裡不舒服的那一部分

本體是對你公司裡什麼為真的一份主張。從元資料自動建一份出來很快,產出的只是這份主張的草稿,還不是主張本身。

README 說它補充客戶已經有的語意模型,不取代它們,還說它會調和定義。調和是一件帶政治性的事。如果行銷和財務對新客戶怎麼算有分歧,畫再多的圖譜也定不下來。工具能把衝突攤出來,能把決定記下來。它做不了那個決定。

活兒其實在這裡,這也是這個函式庫為什麼把調和做成了一個實實在在的步驟,而沒有做成一個按鈕就好的魔法。代理分析一直讓人失望,原因很無聊:模型會寫 SQL,可是沒有人寫下過哪一種 SQL 是對的。

為什麼這件事不只關乎儀表板

同樣的問題會出現在創意營運裡,跑圖像和影片流程的人在這裡會對上號。

問代理「上個月我們在生成上花了多少錢」,然後看會發生什麼。重試算不算?被丟掉的草稿算不算?失敗的生成收不收費?這個數字是按素材算還是按請求算?三個團隊會給出三種答案,然後各自做一個內部自洽、對外全錯的儀表板。

本體並不消除這種含糊。它把含糊攤開,而攤開是解決它的前提。另一種做法是大多數公司現在的做法:讓每個儀表板各自帶一套不說出口的定義,然後指望沒有人去比對。

怎麼判斷你需不需要它

誠實的檢驗標準不是「我們的資料亂不亂」,因為每家公司的資料都亂。要看的是:有沒有哪個問題,兩個團隊現在的答法不一樣,而已經有人把正確答案寫下來了。

挑一個你公司裡吵得最凶的指標。找三個部門的三個人,請他們各自定義一下。如果定義對得上,你遇到的不是本體問題,是文件問題,一個 wiki 就夠了。如果對不上,再強的模型能力也救不了你,因為代理寫出的查詢對一個定義是對的,對另外兩個是錯的,而它不知道自己在按哪一個算。

第二個檢驗是有沒有認證流程。Auto-Ontology 的價值來自 Validate 那一步,而 Validate 需要有東西可以對照。如果公司裡沒有人被授權說「這是財務核准的毛利率定義」,這個函式庫會很忠實地給你一張圖,上面有三種互相競爭的事實。

說句實話

Auto-Ontology 是一個基礎設施專案,它的論點一點都不光鮮:卡住代理的地方,是它不知道問題裡的那些詞在這家公司內部指什麼,推理能力本身還夠用。

一週一萬兩千多顆星說明的是需求,說明不了採用。去點星的人,都是被一個自信的錯數字坑過的人。這批人是正確的受眾。他們會不會去做那些讓工具有用的調和工作,是另一個問題,而這個問題會決定它變成基礎設施,還是變成書籤裡又一個儲存庫。

相關文章