agent 查数总出错？NVIDIA 开源语义层库 auto-ontology

agent 已经会查文档、会跑 SQL 了，但企业分析场景的门槛从来不是「查不到」，而是「查错了」：口径对不上的收入数字，查得再快也是负资产。NVIDIA 昨天开源的 Auto Ontology，瞄准的正是这一层。项目 Apache 2.0 许可，今天还在 Trending 上以单日 2,707 星的速度上涨，总星数 6,676。

它做的事，用 README 的原话拆开看很清楚：agent 需要一个上下文层，告诉它数据在哪、是什么意思、该不该用、怎么用、从哪来、什么与它相似。Auto Ontology 从企业元数据出发把这层自动建出来，跨系统调和互相打架的定义，再通过 MCP、CLI 和 API 暴露给任意 agent harness，与客户已有的语义模型是互补关系而不是替代关系。

具体能力分五块：Discover，从元数据自动生成企业本体，也能接入已有本体和语义模型，构建 AI 就绪的知识图谱；Ground，给指标、实体和关系注入可信的业务含义，调和各系统间不一致的定义；Validate，用认证过的定义和血缘校验生成的查询，每个答案都带出处；Expose，上面说的三种接入方式；Learn，把人工认证的修正和使用反馈折叠回本体，让共享上下文越用越准。

NVIDIA 还配了个基准仓库 ontology-sql-eval，要在 BIRD 这类 text-to-SQL 基准上验证效果，说明团队清楚「语义层好不好用」最终要靠查询正确率说话。

大厂做语义层不是新闻，但 NVIDIA 把它做成开源库、接上 MCP 这个动作值得注意：语义层正在从 BI 工具的内部组件，变成 agent 基础设施的标准件。对想在企业数据上跑 agent 的团队，与其让模型每句话重新猜口径，不如先把这层建扎实。仓库目前标注尚未接受贡献，想深度定制的可以先观望。