它是什么
Auto Ontology 是 NVIDIA 开源的 Python 框架，目标很明确：给 AI 智能体补上“懂业务”的中间层。现在的智能体能检索文档、能拼 SQL，但一个算错的营收数字比算得慢更致命。这个项目做的事，就是读取企业已有的元数据（表结构、指标定义、血缘关系），自动生成一套语义本体（ontology）和知识图谱，把“数据在哪、代表什么、能不能用、该怎么用、从哪来、哪些相似”讲清楚，再通过 MCP、CLI 和 API 暴露给任意 Agent 框架。
它并不打算替换企业已有的语义模型，而是做一层兼容的补充：你已有的定义可以接进来，系统负责跨系统对齐冲突的指标口径。
核心功能
- 本体自动发现：从元数据生成企业本体，支持导入现成的本体与语义模型，构建面向 AI 的知识图谱。
- 业务语义对齐：为指标、实体和关系绑定可信定义，并调和不同系统之间相互矛盾的口径。
- 查询校验与溯源：生成的 SQL 会对照已认证定义和数据血缘进行检查，每个答案都附带来源。
- 多协议暴露：通过 MCP、命令行和 API 把上下文喂给任意 Agent 宿主。
- 闭环学习：经过人工确认的修正与使用记录会回流到本体中，让共享上下文随提问增多而变准。
- 开箱即用的 Web 界面：内置对话、分析、数据目录与设置面板，带认证与 RBAC。
适用场景
- 企业内做 Text-to-SQL / 智能问数，但受困于指标口径混乱、答案不可信。
- 数据团队已有数仓和 BI 语义层，想让 AI Agent 复用而不是绕过它。
- 需要为 Agent 搭建带血缘和权限的可审计数据访问通道。
- 做本体、知识图谱相关的研究或基准测试（官方另有 BIRD 等 Text-to-SQL 评测仓库）。
上手建议
技术栈是 Next.js 前端 + FastAPI 后端 + Postgres/pgvector，本地可直接用 Docker Compose 拉起，生产环境有 Helm Chart 上 K8s。推理依赖 NVIDIA NIM，默认走 build.nvidia.com 的托管端点（模型为 Nemotron 系列），也可以换成自建 NIM；记得先在 .env 里配好 key。连接数据库的凭证建议接入 Vault。
需要留意两点：项目明确暂不接受外部贡献；且本体质量高度依赖元数据本身的规范程度，脏数据进去只会得到更精致的错误答案。建议先在单个业务域小范围验证，再逐步铺开。
