自动排版把企业元数据自动编成本体图：术语、SQL 属性、表关系三类定义先由机器起草、再由人认证，agent 只能在这张图里解析问题并生成可校验的 SQL。
项目介绍
Auto Ontology 是 NVIDIA 开源的 Python 框架，目标是在数据之上搭一层语义、可图化推理的本体层，让 LLM 与 agent 的取数过程可解释、可校验。它从企业元数据生成术语、SQL 属性与表关系，人工认证后通过 MCP、CLI 与 REST 暴露给任意 agent harness。
主要应用领域
text-to-SQL 与 BI 问答、企业数据目录、给多个 agent harness 提供同一套可信业务语义。
关键技术
Python 与 FastAPI 后端、Next.js 16 前端，Postgres 17 与 pgvector 存本体和向量，摄入服务做模式抽取与语义编译，MCP 服务基于 FastMCP；推理默认走 NVIDIA NIM；部署支持 Helm 与 Docker Compose。本次只读仓库与 README，未实际部署。
实用价值
把 agent 答错数的问题从提示工程推到数据层：答案带 SQL 与执行步骤，并提供 check_answerable 在数据覆盖不足时主动拒答；兼容 Apache Ossie 语义模型标准。
局限
部署较重需要 Docker、API key、Postgres 与多组密码；后端 3001 和 3002 端口默认依赖前端透传身份头，README 明确要求放内网；本体质量取决于人工认证环节；仓库声明不接受外部 PR。
开源协议
Apache-2.0
仓库与 LICENSE 均为 Apache License 2.0，SPDX 为 Apache-2.0；第三方组件在 THIRD_PARTY_NOTICES 单独列举，容器镜像另列。
协议解读供选型参考，不构成法律意见。
推荐理由
若在做内部数据问答且已有指标定义混乱的问题，值得用一套小库跑完生成、认证、问答、拒答全流程；若只是调 API 问答，这套基础设施过重。
观测
Star10500；观测时间：2026-11-09T04:51:10.000Z
暂无可比增长基线
开源代码
专业社区口碑
社区来源不可访问
本次读取的 Hacker News 首页未出现该项目的讨论帖；仓库页可见 55 个 issue、40 个 PR，未打开具体讨论内容。
未取得任何社区评价样本，星标与周增星只能说明关注度，不能当作质量口碑。
类似项目推荐
模型知识参考，未在线核验；名称、维护状态和许可证需另行核实。