项目能做什么
使用说明 查看原始 README 原仓库文档
项目简介
Auto Ontology 是由 NVIDIA 开源的 Python 框架,旨在数据层之上构建基于图(Graph-based)的语义推理层。在 Agent 分析场景中,简单的文档检索和数据库查询容易受到数据准确性的制约。Auto Ontology 通过企业的元数据构建上下文层,消除跨系统的数据定义冲突,并通过 MCP、CLI 和 API 向 Agent 提供可信的上下文信息,实现确定性查询生成、精准的上下文检索以及可解释的 AI 分析工作流。
核心功能
- 结构化数据的自然语言查询:利用 NVIDIA NIM 将自然语言问题转化为 SQL,并在已连接的数据库上执行。
- 语义目录与本体层:基于关系型数据源构建语义目录及本体层,数据与目录元数据统一保存在 Postgres 中。
- 身份认证与权限管理(RBAC):基于 Better Auth 提供完善的认证与基于角色的权限控制体系。
- Web UI 界面:内置 Web 前端,支持对话问答、数据分析、数据目录浏览、指标监控与系统设置。
- 知识图谱与血缘校验:从元数据自动生成企业本体,校验生成的查询是否符合权威定义与数据血缘,并能将人工修正结果持续回流至本体。
- 灵活的部署架构:系统由前端(Next.js,默认端口
3000)、后端(FastAPI,默认端口3001)、数据摄入服务(FastAPI Ingestion worker,默认端口3002)、Postgres + pgvector(端口5432)以及可选的 HashiCorp Vault 构成。
适合谁用
此部分原文未设专门章节,请查看原仓库。
(注:从功能概括,本项目主要面向需要提升 NL-to-SQL 准确度、消除业务指标二义性,并为 AI Agent 搭建统一数据上下文的企业与开发者。)
安装步骤
此部分原文内容截断,未说明完整的启动命令与步骤,请查看原仓库。
(注:原文 Quickstart 章节提到支持使用 Docker Compose 结合微软示例销售数据库 Wide World Importers 快速体验,需要环境具备 Docker 及 Compose 支持。)
配置说明
Auto Ontology 依赖 NVIDIA NIM 端点进行推理,支持使用 NVIDIA API 托管目录(integrate.api.nvidia.com)或私有化部署的 NIM。
1. 默认模型(参考 .env.example)
- LLM(主推理):
nvidia/nemotron-3.5-lightning-30b-a3b - Embeddings(向量):
nvidia/nemotron-3-embed-1b - Reranking(重排):
nvidia/llama-nemotron-rerank-vl-1b-v2
2. 模型配置三元组(Model Triplets)
系统通过 <PREFIX>_ENDPOINT、<PREFIX>_API_KEY、<PREFIX>_MODEL 三元组环境变量为不同功能配置模型。最简单的配置方式是仅填满 DEFAULT_MODELS_*,未单独指定的角色会自动回退(Fallback)至默认值。各前缀对应角色如下:
| 环境变量前缀 | 对应功能角色 |
|---|---|
DEFAULT_MODELS |
共享默认配置,其他未单独配置的角色均回退到该组值 |
REASONING |
主对话与自然语言转 SQL(NL-to-SQL)模型 |
NON_REASONING |
用于实体提取的轻量模型(如覆盖设置 NON_REASONING_MODEL) |
EMBED |
文本向量模型(写入和检索需保持一致,如覆盖设置 EMBED_MODEL) |
RERANK |
检索流程中使用的重排序模型 |
提示:为保证兼容性,各角色的
*_API_KEY在未单独指定时,亦支持直接回退使用旧变量NVIDIA_API_KEY。
常见问题
此部分原文未说明,请查看原仓库。
原始 README 摘录(英文原文,节选前 3000 字符)
<!-- SPDX-FileCopyrightText: Copyright (c) 2026, NVIDIA CORPORATION & AFFILIATES. All rights reserved. SPDX-License-Identifier: Apache-2.0 --> # Auto Ontology Agents can retrieve documents and query databases, but reliability gates agentic analytics: a revenue metric answered faster is worth nothing if the number is wrong. Agents need a context layer that tells them where data lives, what it means, whether to use it, how to use it, where it came from, and what is similar. NVIDIA Auto Ontology is an open library that builds that layer from enterprise metadata, reconciles definitions across systems, and exposes it to any agent harness through MCP, CLI, and API. It complements the semantic models customers already own. It enables developers to: - Discover: generate enterprise ontologies from metadata; connect existing ontologies and semantic models; build AI-ready knowledge graphs. - Ground: give agents trusted business meaning for metrics, entities, and relationships; reconcile inconsistent definitions across systems. - Validate: check generated queries against certified definitions and lineage; return provenance with every answer. - Expose: serve context to any agent harness through MCP, CLI, and API. Learn: fold certified corrections and usage back into the ontology, so shared context improves with every question. ## Benchmarks To run a text-to-SQL benchmark such as BIRD, refer to the [ontology SQL evaluation repository](https://github.com/NVIDIA/ontology-sql-eval/). > **Licensing & contributions.** Auto Ontology is distributed under the > [Apache License 2.0](./LICENSE). Third-party open-source components > bundled, linked, or otherwise used by this project are listed in > [`THIRD_PARTY_NOTICES.md`](./THIRD_PARTY_NOTICES.md). **This project > is currently not accepting external contributions.** <p> <img src="./docs/assets/arch.png" alt="Auto Ontology Architecture" width="800"> </p> ## Key Features - **Natural-language querying** of structured data — questions are translated to SQL and executed against connected databases, powered by NVIDIA NIM. - **Semantic catalog / ontology layer** over relational sources, stored in Postgres alongside the catalog it describes. - **Authentication & RBAC** —using [Better Auth](https://github.com/better-auth/better-auth). - **Web UI** for chat, analysis, data catalog, analytics, and settings. - **Flexible deployment** — Helm chart for Kubernetes or Docker Compose for a local stack. ## Software Components | Component | Technology | Role | Default port | | ------------------- | ---------------------------------------------------------------------- | ------------------------------------------ | ------------ | | Frontend | Next.js 16 (React 19, TypeScript, Tailwind CSS 4), Better Auth, Prisma | Web UI, authentication, API gateway | 3000 | | Backend | FastA阅读完整原文
商业机会分析 AI 生成
行业垂直预置本体与 Text-to-SQL SaaS 服务
| 产品构想 | 针对电商、SaaS 财务或供应链等特定行业,基于该框架预先构建行业标准指标库与实体关系图谱,开箱即用降低企业从零建本体的门槛。 |
| 核心功能 | 一键同步主流 SaaS/数据仓库(如 Shopify、Stripe、Snowflake);预置行业指标语义本体;自然语言问答并输出可溯源的 SQL 及图表;MCP 协议对外暴露给 Claude/ChatGPT。 |
| 目标用户 | 缺乏专业数据治理工程师的中小企业数字化团队、独立出海独立站分析师。 |
| 难度/周期 | 高 · 3-5 个月 · 成本:中等(需维护云端多租户微服务架构、Postgres+pgvector 及 LLM API 算力) |
| 收费模式 | 按连接数据源数量/查询次数收取月度订阅费(SaaS 模式)。 |
| 竞争风险 | 跨企业业务口径差异大导致通用预置本体适应度有限;企业敏感数据接入的安全合规阻力。 |
| 依据 | 已验证事实 |
企业私有化部署、数据接入与本体定制交付咨询
| 产品构想 | 为拥有复杂数据仓库但难以落地 Agentic BI 的大中型企业,提供基于该项目的全栈私有化实施、元数据治理与模型适配工程服务。 |
| 核心功能 | 私有化 Helm/Docker 交付与 Vault 凭据加固;适配本地私有模型与国产数据库;定制企业内部专用指标与血缘清洗管道;员工使用培训与支持。 |
| 目标用户 | 金融、制造、零售等拥有私有化部署要求和私有数据库的传统中大型企业。 |
| 难度/周期 | 中等 · 1-2 个月启动交付 · 成本:低(主要为人力交付成本与现场/远程差旅) |
| 收费模式 | 项目制咨询费 + 定制实施服务费 + 年度技术维保费。 |
| 竞争风险 | 交付周期长、B 端企业决策链条冗长且回款风险高。 |
| 依据 | 数据支持的判断 |
面向 AI Agent 的语义层 MCP 网关插件(MCP Data Gateway)
| 产品构想 | 封装 Auto-Ontology 的上下文管理与验证能力,制作成为面向 Cursor、Claude Desktop 等 Agent 生态的标准化 MCP 数据安全连接插件。 |
| 核心功能 | 本地轻量化 SQLite/DuckDB 模式适配;标准化 MCP 接口自动输出带有 Lineage 验证的查询结果;即时修正并自我演进的交互式修正流(Learn 机制)。 |
| 目标用户 | 重度依赖 Agent 进行日常数据分析的独立开发者、个人量化交易者、数据科学家。 |
| 难度/周期 | 中等 · 1-2 个月 · 成本:极低(纯客户端/轻量中间件开发) |
| 收费模式 | 开源核心协议,高级插件/增强连接器按席位或授权 License 收费。 |
| 竞争风险 | 个人用户对于企业级 Ontology 概念认知与付费意愿较低(推测)。 |
| 依据 | AI推测 |
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| gogoymh/auto-ontology-mcp | 免 API Key 将本体语义层与个人知识库接入 MCP 的服务端。 | 267 | Python |
| stevereiner/flexible-graphrag | 支持多数据库与数据源的 GraphRAG 与本体图谱自动构建框架。 | 198 | Python |
| jettbrains/-L- | 中文介绍暂未生成 W3C Strategic Highlights September 2019 This report was pr |
169 | - |
| NVIDIA/auto-ontology-eval | 中文介绍暂未生成 LLM-powered Text-to-SQL evaluation toolkit: schema ingestion |
140 | Python |
| liuhuanyong/OntologyAutoGeneration | 中文介绍暂未生成 从异构数据源(RDB DDL、文本文档、对话日志)自动构建领域本体的 Python 项目。 |
66 | Python |
| edmcouncil/auto | 中文介绍暂未生成 The AUTOMOTIVE ONTOLOGY (AUTO) defines the shared conceptual |
26 | Groovy |
项目优势与风险
| 技术成熟度 | 创建于 ,最近推送 |
| 社区活跃 | Star 11,354 / Fork 0 / Issue 0(数据支持,可自行核实) |
| 许可证 | 未检测到(需人工确认) |
| 主要风险 | 上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价 |
安装与使用
git clone https://github.com/NVIDIA/auto-ontology.git cd auto-ontology # 请阅读仓库 README 获取确切安装步骤(依赖、配置、启动命令)