7.2K+ Star！auto-ontology：为企业AI智能体构建可信的数据语义层- 大数跨境

首页

7.2K+ Star！auto-ontology：为企业AI智能体构建可信的数据语义层

AIGC创想者

2026-11-06

导读：Auto Ontology 是一个面向企业级 AI 智能体的开源上下文层工具，旨在解决智能体在查询数据库时因缺乏业务语义理解而导致结果不可靠的问题。

auto-ontology简介

AI/ML

Auto Ontology 是一个面向企业级 AI 智能体的开源上下文层工具，用于解决智能体在查询数据库时因缺乏业务语义理解而导致结果不可靠的问题。它通过自动读取企业数据库元数据生成业务本体（Ontology），将分散在不同系统中的指标、实体和关系定义进行统一与调和，为智能体提供可信赖的数据含义和血缘信息。

它让开发者能够用自然语言安全地查询结构化数据，不仅返回准确的 SQL 执行结果，还会附带推理步骤和数据溯源。同时，它支持通过 MCP、CLI 和 REST API 将这套经过认证的语义上下文暴露给任何外部智能体框架，确保数据分析的准确性与一致性。

亮点特性

01自动生成与认证业务本体

从数据库元数据中自动提取术语、关系和 SQL 属性，构建知识图谱，并支持人工审核认证以确保业务逻辑绝对正确

02全链路可解释性与防幻觉机制

每次查询不仅返回结果，还输出完整的 SQL 代码、表连接路径和过滤条件验证过程；遇到无法回答的问题会主动拒绝而非编造数据

03广泛的生态兼容性

支持 PostgreSQL、Snowflake、Databricks 等 10 种主流数据库引擎，兼容 Apache Ossie 开放标准，并提供 MCP、REST API 供任意智能体调用

04灵活的大模型路由架构

将推理任务拆分为 Reasoning、Non-Reasoning、Embedding、Reranking 四个角色，支持独立配置不同的模型端点，兼顾精度与性能

使用场景

场景 1企业级 Text-to-SQL 问答

业务人员直接用自然语言查询跨表销售、财务等复杂指标，系统自动生成准确 SQL 并返回带溯源的答案

场景 2多源数据语义统一

将 Snowflake、PostgreSQL、Databricks 等不同数据源中的同名异义或同义异名指标进行标准化映射与调和

场景 3AI 智能体数据护栏

作为外部 Agent 的上下文层，在智能体生成查询前校验其是否具备回答能力，防止大模型产生幻觉或错误计算

使用环境

编程语言	Python 3.12+

快速上手

环境准备

需要 Docker Compose v2、uv 包管理器，以及从 build.nvidia.com 获取的 NVIDIA API Key（nvapi-...）。

1. 克隆项目并配置环境变量

●●●

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

编辑 .env 文件，填入关键配置：

●●●

DEFAULT_MODELS_API_KEY=nvapi-你的API密钥
AUTH_SECRET=<使用 openssl rand -base64 32 生成的随机字符串>
APP_URL=http://localhost:3000
POSTGRES_PASSWORD=<设置强密码>
CONNECTION_STRINGS=postgresql://postgres:<同上密码>@postgres:5432/wideworldimporters
AUTO_ONTOLOGY_ADMIN_PASSWORD=<设置管理员密码>
PGADMIN_PASSWORD=<设置pgAdmin密码>

2. 启动数据库并加载示例数据

●●●

docker compose up -d --wait postgres
git clone https://github.com/NVIDIA/auto-ontology-eval.git ../auto-ontology-eval
(cd ../auto-ontology-eval && uv sync && cp .env.example .env && \
  POSTGRES_PASSWORD='<同上密码>' \
 uv run python scripts/seed/seed_wwi.py --database-name wideworldimporters --drop)

3. 构建并启动完整服务栈

●●●

docker compose up -d --build

4. 核心用法示例

访问 http://localhost:3000 登录 Web UI，在 Settings → Semantic Compilation 中开启语义编译。等待编译完成后，即可在 Chat 界面输入自然语言问题（如“2015年6月宾夕法尼亚州某产品的收入是多少？”），系统将返回答案、SQL 语句及解析步骤。

若需在其他 AI 编程工具（如 Cursor）中集成，可通过 MCP Server 接入：

●●●

{
 "mcpServers": {
 "auto-ontology": { "url": "http://localhost:3003/mcp" }
  }
}

替代方案

对比 1dbt Semantic Layer

侧重于数据工程中的指标定义与转换，而 Auto Ontology 更侧重于利用 LLM 自动生成语义层并直接服务于 AI 智能体的自然语言交互

对比 2Vanna AI

同为开源的 Text-to-SQL 框架，但 Vanna 主要依赖 RAG 检索历史 SQL 来生成查询，Auto Ontology 则构建了更严谨的本体图和认证工作流，强调企业级数据的可靠性与血缘追踪

对比 3Wren AI

提供类似的语义层和自然语言查询能力，但 Auto Ontology 深度集成了 NVIDIA NIM 生态，且原生支持 MCP 协议，更适合现代 AI Agent 编排场景