NVIDIA Auto Ontology: otwarta warstwa semantyczna dla agentów piszących SQL. Wyników dokładności brak

Auto Ontology to otwarta biblioteka NVIDII (Apache 2.0), która działa jako warstwa kontekstu między agentem a hurtownią danych. Opisuje, gdzie leżą dane i co oznaczają poszczególne pola. Mówi też, czy pola warto używać, jak i skąd pochodzą. Jak opisuje Marktechpost, repozytorium stawia sprawę wprost: szybka odpowiedź o przychodach jest bezwartościowa, jeśli liczba jest błędna.

Narzędzie ma pięć zadań: generować ontologie z metadanych i podłączać istniejące modele semantyczne, nadawać agentom wiarygodne znaczenie metryk i encji, sprawdzać wygenerowane zapytania względem certyfikowanych definicji i lineage, udostępniać kontekst przez MCP, CLI i API oraz wchłaniać zatwierdzone poprawki z powrotem do ontologii. Według strony NVIDII wynik generowania to ontologia startowa, którą eksperci biznesowi nadal testują, poprawiają i certyfikują.

Cztery usługi i dziewięć narzędzi MCP

Całość składa się z czterech usług: frontendu w Next.js 16, backendu we FastAPI z LangChain (czat, NL-to-SQL, API katalogu), workera ingestii zapisującego embeddingi oraz Postgresa z pgvector, który przechowuje katalog, ontologię i wektory. Źródłami danych mogą być Databricks, Postgres, Snowflake i DuckDB. Lokalnie stos uruchamia się przez Docker Compose, na Kubernetesie przez chart Helm, a backend jest też publikowany jako kontener NGC.

Domyślnie projekt korzysta z modeli Nemotron na NVIDIA NIM: Nemotron 3 Nano 30B jako LLM oraz modeli do embeddingów i rerankingu. Konfiguracja opiera się jednak na trójkach zmiennych środowiskowych (endpoint, klucz, model), więc zadziała dowolny endpoint zgodny z OpenAI. Osobne role przewidziano dla modeli rozumujących, nierozumujących, embeddingowych i rerankujących.

Agenci sięgają do danych przez serwer MCP z dziewięcioma narzędziami tylko do odczytu. Główne, ask_question, zwraca odpowiedź, użyte SQL i wiersze w osobnych polach, z limitem 100 wierszy. Pozostałe służą m.in. do sprawdzenia, czy warstwa semantyczna pokrywa dane pytanie (check_answerable), przeszukiwania słownika biznesowego i opisu tabel. Przeglądarki surowego schematu nie ma, i to celowo: agent ma docierać do danych wyłącznie przez warstwę semantyczną. Logowanie odbywa się przez OAuth, a każde wywołanie niesie uprawnienia zalogowanego użytkownika.

Dowodów na skuteczność jeszcze nie ma

Marktechpost ocenia projekt krótko: solidna inżynieria, cienkie publiczne dowody. NVIDIA podaje, że w jej własnych testach czas tworzenia ontologii skrócił się o 90 proc., ale to dane samej firmy. Nie opublikowano natomiast żadnych wyników dokładności text-to-SQL. Osobne repozytorium auto-ontology-eval zawiera sam harness, a nie rezultaty.

Harness porównuje w NeMo Gym dwie konfiguracje: LLM piszący SQL wyłącznie na podstawie schematu oraz agenta opartego na ontologii. Punktuje deterministycznie, przez zgodność wyniku wykonania, bez sędziego-LLM. W zestawie są BIRD Dev (1534 pytania), BIRD Mini-Dev (500), FDABench-Lite (169) i próbka 100 pytań z BEAVER. Dokumentacja zastrzega dwie rzeczy. Opcjonalne przykłady few-shot i „kotwice wartości” trafiają tylko do ramienia z ontologią, więc zmierzona różnica obejmuje także te dane wejściowe, a nie samo uziemienie. Poza tym testowana konfiguracja kieruje oba ramiona do modelu Claude przez bramkę inferencyjną NVIDII.

Na tle konkurencji

Marktechpost zestawia Auto Ontology z Wren AI, Cube Core i dbt MetricFlow. Różnica leży przede wszystkim w sposobie budowy warstwy: tu jest ona generowana z metadanych, a potem certyfikowana, podczas gdy w Cube i MetricFlow definiuje się ją w kodzie. Źródeł danych jest cztery, wobec ponad 22 u Wren AI. Popularność też jest nieporównywalna: według zestawienia z 1 listopada repozytorium NVIDII miało 575 gwiazdek, Wren AI 18 tys., Cube Core 20,9 tys., a MetricFlow 1,8 tys.

Lista wad nie kończy się na braku wyników benchmarków:

• dane uwierzytelniające lądują w Postgresie jawnym tekstem, o ile nie skonfiguruje się HashiCorp Vault,
• ask_question zwykle odpowiada przez kilkadziesiąt sekund,
• projekt nie przyjmuje zewnętrznych pull requestów.

Do uruchomienia domyślnych modeli wystarczy klucz API z build.nvidia.com. Marktechpost podsumowuje, że to otwarta warstwa kontekstu gotowa na MCP, ale żeby jej zaufać, trzeba samodzielnie uruchomić benchmarki.