NVIDIA/auto-ontology

Auto Ontology is a Python framework for building semantic, graph-based reasoning layers over data. It enables deterministic query generation, better context retrieval, and more explainable AI for LLM and agent workflows.

這是什麼

NVIDIA Auto Ontology 要解決的不是「讓 AI 能查資料庫」，而是讓它知道營收、客戶等概念究竟代表什麼。它從企業資料庫的結構、欄位與樣本值建立語意層，把業務術語對應到欄位、SQL 計算式及資料表關係，再供代理查詢使用，定位是補足既有語意模型，而非全部取代。

核心流程是生成、人工認證、回答：系統先產生本體草稿，人再修訂定義與計算式；回答時檢索相關概念、生成 SQL、檢查篩選值與查詢，最後附上 SQL 和處理步驟。這套設計把資料定義變成可檢查的共同資產，但也表示可信度不能只靠自動生成，仍需要業務人員確認。

為什麼上榜

本次選文資料顯示，專案累積 4,901 顆星，日榜期間新增 2,050 顆。README 沒有交代流量來源；從產品設計看，值得注意的是它把焦點從回答速度轉向「數字是否有依據」。相較於只展示自然語言轉 SQL，這裡更強調統一指標定義、追溯查詢過程，以及判斷資料是否足以回答。

README 的例子尤其具體：資料有商品營收，卻沒有廣告支出時，透過 MCP 的代理會先檢查可回答性，指出缺少資料並請求釐清，而不是硬算廣告投資報酬。這比漂亮的聊天介面更值得評估。不過文件只連到外部評測庫，沒有提供可直接比較的準確率數字，星數不能當成可靠度證明。

適合誰，可以拿來做什麼

適合建置企業資料分析代理的開發者，以及需要統一指標口徑的資料團隊。可先用範例銷售資料測試跨表問題，再檢查術語、關聯與 SQL 是否符合實際業務。既有代理也能透過 MCP 使用唯讀工具，不必只依賴內建聊天介面。

這不是單一聊天程式：部署包含前端、後端、匯入服務與 Postgres／pgvector，推論使用託管或自架 NVIDIA NIM。評估成本應包含資料整理、模型端點設定和人工認證，而不只是容器能否啟動。

上手

先備妥 Docker Compose v2、uv 與 NVIDIA API key，取得專案並建立設定檔：

git clone https://github.com/NVIDIA/auto-ontology.git && cd auto-ontology
cp .env.example .env

依 README 設定模型金鑰、驗證密鑰與各項密碼；先啟動 Postgres，再用另外的 auto-ontology-eval 儲存庫載入範例資料，最後執行 docker compose up -d --build。登入 http://localhost:3000 後，到 Settings → Semantic Compilation 啟用編譯，等待就緒再測試提問。不要把上述兩行誤當成完整安裝流程。

README 重點摘要

• 人工認證涵蓋名稱、描述與 SQL 計算式，重點是讓共用定義經得起檢查。
• 回答可查看 SQL、資料列與圖表，也能下載 CSV，方便回查結果。
• 支援 Apache Ossie 模型定義匯入與匯出，可銜接既有語意資產。
• 3001、3002 埠應留在私有網路；匯入服務端點沒有獨立驗證，客戶端應經由 3000 埠的網頁入口。
• 採 Apache-2.0 授權，但目前不接受外部貢獻；開源授權與協作政策要分開看。