← 返回博客
Ai预计阅读 9 分钟

NVIDIA 把指标口径放进了智能体的上下文,难的是这一步

发布于 2026年11月8日
NVIDIA 把指标口径放进了智能体的上下文,难的是这一步

同一家公司里问三个团队收入怎么算,你会得到三个都说得通、但互相对不上的答案。财务算的是已确认订单,销售算的是合同金额,看板上的数字则是扣除退款后的确认收入,口径还是财务上季度刚改的那一版。

一个两秒就能写出 SQL 的智能体解决不了这个问题,它只是让同样的错误来得更快。

NVIDIA 的 Auto Ontology 正是冲着这个失效点去的开源库。它先啃企业里的元数据,从中构建出一套本体,再把各系统之间互相冲突的定义逐个对齐,最后通过 MCP、CLI 和 API 把这层结果交给任何智能体框架。Apache 2.0 许可,约 8,900 stars,README 开头讲的是论点而不是架构:一个收入指标答得再快,数字错了就一文不值。

四个动词,一个闭环

这个库的模块划分,是围绕它对上下文做什么来组织的。

Discover:从元数据生成本体,或者接入已经存在的语义模型。Ground:把可信的业务含义挂到指标、实体和关系上,并把彼此不一致的定义对齐。Validate:用已认证的定义和血缘校验生成的查询,每个答案都附来源。Expose:通过 MCP、CLI 和 API 把这层上下文提供出去。

还有第五个,宣传得少:Learn。人的修正和实际使用痕迹会被折回本体,用得越多,共享上下文越准。

最后这一步才是它和数据集市的区别。目录是一份写完就开始过期的文档;能吸收修正的层,才是一个可能保持准确的系统,前提是真的有人愿意动手去改。

部署起来是什么样

这套东西比一个 CLI 工具重得多,README 对此并不遮掩。

Next.js 16 前端跑在 3000 端口,带 Better Auth 和 Prisma,负责界面、认证和公开 API 网关。FastAPI 后端在 3001,跑 text-to-SQL 智能体和目录、本体相关的 API。摄取 worker 在 3002,处理表格数据并写入向量。FastMCP 服务在 3003,暴露只读工具。Postgres 17 加 pgvector 在 5432,装着目录、本体、应用数据和向量库。HashiCorp Vault 可选,用来存连接凭据。

推理走 NVIDIA NIM,可以用托管的 API 目录,也可以自建端点,两条路都行。部署方式是 Kubernetes 的 Helm chart,或者本地栈用 Docker Compose。另有一个独立仓库,放 BIRD 的 text-to-SQL 评测流程。

多数团队真正会碰到的,其实只有 MCP 那一层。九个只读工具按职责分开:`check_readiness` 告诉你这套部署到底能不能回答问题,`search_terms`、`get_term`、`describe_table` 负责查找,`check_answerable` 在智能体浪费一次调用之前先问本体覆不覆盖这个问题,`ask_question` 则把答案、SQL 和结果行一起返回。

后三个是一组明确的设计主张。答案旁边给 SQL,人才有办法去审这条查询;给出结果行,智能体的说法才有东西可以被核对。只返回一个数字的智能体是不可证伪的,你没法跟它讲道理。

接进客户端只要两行配置。把 `AUTO_ONTOLOGY_API_URL` 指向你的部署,然后跑 `uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp`。Cursor 在 `mcp.json` 里加 `{"url": "http://localhost:3003/mcp"}`。Claude Desktop 用 `mcp-remote` 桥接。

安全说明才是重点

README 里有一段话,多数开源项目会直接省掉不写。

3001 和 3002 这两个端口要留在内网里。FastAPI 后端信任前端通过 `x-auto-ontology-user-id` 请求头传来的用户身份;摄取服务的接口包括 ingest、delete、reset 和 compile,自身没有任何认证。客户端应该走 3000 端口上的 Web 应用。

这段话既是架构说明,也是警告。基于请求头的身份信任放在反向代理后面是常规做法,后端一旦可直连就是灾难。一个没有认证、又能删除和重置的摄取接口,等于把上了膛的枪对着你的目录。

以这种坦白程度写进文档的 demo 级部署,通常就是这个样子,NVIDIA 也不是第一家这么做的团队。价值在于项目自己先把话说了出来,而不是等你去踩坑。

这里的开源不包括什么

项目是 Apache 2.0,但明确不接受外部贡献。代码由团队维护,集成需求和 bug 以 issue 形式接收,安全问题走另一套流程。

这是一种越来越常见的有意姿态:代码放出去,路线图留在手里。对一家正在做分析上下文层的公司来说,本体 schema 和智能体技能正是它想牢牢控制的接口,接受这两处的补丁,会让必须保持自洽的部分变慢。

对评估它的团队来说,实际后果是:每一行都能读,在哪儿都能跑,但你的修复提不进去。所以真要用,最好一开始就做好 fork 的准备。

还有一个细节值得单独提一句。Auto Ontology 兼容 Apache Ossie,这是交换语义模型的开放标准,可以在界面里导入导出,也可以走 `POST /api/model/import` 和 `/api/model/export`。如果你们组织已经在别的工具里维护语义模型,有没有这个转换器,决定的就是一次完整的迁移项目,还是一个下午就能收工。

还有一条可选的预测链路,走托管服务 KumoRFM。开启后,智能体会把已连接的表格上传过去,默认上限 20 tables,行数不限,除非你自己设。README 提醒你先看清楚会传什么再打开。这点要当真:这是整套栈里唯一会把数据送出你网络的功能。

这个品类为什么现在才出现

智能体分析这个方向,过去一年过得不好。会查数仓的智能体很好做,能给出 CFO 愿意签字确认的那个数字的智能体不好做,因为失败是静默的:一个看起来很合理的数字,来自一条看起来很合理的查询,对着一份没人核对过的定义,中间不会报错,也不会有人举手。

过去几年常规的解法是提示工程,说白了就是让模型小心一点。能长久的解法,是给它一本经过认证的词典和一个校验器,并且要求它问题超出范围就直接拒绝回答。`check_answerable` 存在的意义,正是让智能体可以说不。

它最后会成为基础设施,还是止步于一个参考实现,取决于采用情况,而采用情况取决于有多少公司的语义模型干净到能直接导入。而这个数字,比自以为已经做到的公司数量要小不少。

但方向是对的。分析里最贵的部分从来不是 SQL,而是对列的含义达成一致,并在六个月后还记得这个一致。把这份共识放进智能体的上下文里,让每个答案都带上血缘,是这周发布的东西里最不性感、也最承重的一件。

相关文章