HKAIWeb 原創封面:黃銅框架上以細光絲連接的玻璃球體節點,呈現企業知識圖譜與語意層。

NVIDIA/auto-ontology 是一套以 Apache-2.0 License 發佈的開源程式庫,專門把企業資料庫 metadata 編譯成可供 AI agent 使用的語意層。GitHub API 快照錄得 8,250 stars、659 forks 與 58 open issues;專案亦同時出現在 GitHub Trending 的全體及 Python 日榜。

由 metadata 建立可審核語意層

Auto Ontology 的工作分成生成、認證及回答三個階段。系統先從資料庫 schema、欄位、樣本值與查詢紀錄建立初步 ontology,把業務概念、SQL attributes 與資料表關係連接起來;其後由人員在 Web UI 內測試、修正並認證各項定義;最後 agent 會依已認證內容產生 SQL,並同時回傳結果、SQL 與處理步驟。

語意層包含 terms、SQL attributes 與 relationships。這種分層的好處,是同一項收入或其他業務指標可以由受審核的定義重用,避免每個 agent 自行猜測資料表與計算方法。

透過 MCP、CLI 與 API 提供給 agent

專案提供唯讀 MCP 工具,包括搜尋 terms、檢查 answerability、描述資料表及提出問題。MCP server 亦以每名使用者的權限執行操作。FastAPI 後端、Next.js 前端、Postgres 與 pgvector 組成完整技術棧,並可透過 Docker Compose 或 Helm 部署。

官方目前提供 BIRD 等 text-to-SQL benchmark 的評估程式,但尚未公布統一的準確度數字,因此不宜把「可審核」直接等同於所有查詢都能得到正確結果。實際成效仍取決於 metadata 品質、認證覆蓋範圍、資料來源及所用模型。

部署與安全注意事項

README 要求把 3001 與 3002 埠保留在私有網絡,並指出 ingestion 端點本身沒有驗證。專案設有 SECURITY.md,漏洞應私下交由 NVIDIA PSIRT 處理。啟用 KumoRFM 時,agent 會把已連接資料表上傳至託管服務,預設上限為 20 張表,使用前應先完成資料審查。

來源

圖片說明:企業 metadata 轉化為可審核知識節點,讓 agent 沿已認證關係產生 SQL。

圖片 credit:HKAIWeb 原創封面,CC BY 4.0。

作者: hkaiweb

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

Social Media Auto Publish Powered By : XYZScripts.com