ОБЗОР 2026

NVIDIA Auto Ontology: онтологический слой для агентов — обзор 2026

Открытая библиотека NVIDIA собирает семантическую онтологию из метаданных корпоративных баз и отдаёт её любому агенту через MCP. Разбираем архитектуру, девять MCP-инструментов и то, что придётся проверять руками.

RAG и данныеApache 2.0MCP
Категория Данные и RAGТип Open source, самохостингОбновлено 10.11.2026

Агент, который пишет SQL по схеме базы, отвечает быстро, но не всегда правильно: он не знает, что «выручка» в компании считается по одной таблице, а «клиент» в двух системах означает разных сущностей. NVIDIA Auto Ontology — попытка решить это не промптом, а отдельным слоем знаний между агентом и данными. Проект открыт под Apache 2.0, на 10.11.2026 у него 11 180 звёзд на GitHub и 914 форков.

11 180
Звёзды GitHub
снято 10.11.2026
914
Форки
снято 10.11.2026
9
MCP-инструментов
read-only
Apache 2.0
Лицензия
свои PR не принимают

01Что это за проект и какую задачу он закрывает

В README команда формулирует задачу прямо: агенты умеют доставать документы и ходить в базы, но аналитика упирается в надёжность. «Метрика, посчитанная быстрее, ничего не стоит, если число неверное». Ответ проекта — контекстный слой, который объясняет агенту, где лежат данные, что они означают, можно ли их использовать, как именно и откуда они пришли.

Auto Ontology не заменяет семантические модели, которые уже есть у компаний, а надстраивается над ними: генерирует черновую онтологию из метаданных, даёт людям её сертифицировать и только потом пускает к ней агентов. Роль точки входа играют три интерфейса — MCP-сервер, CLI и REST API.

  • Discover — построить онтологию из метаданных, подключить существующие семантические модели, собрать граф знаний.
  • Ground — дать агенту доверенные определения метрик, сущностей и связей, свести расходящиеся определения между системами.
  • Validate — проверять сгенерированный SQL по сертифицированным определениям и возвращать происхождение каждого ответа.
  • Expose — отдавать контекст в любой харнесс через MCP, CLI или API.
Ключевое отличие от «просто RAG»
Обычный RAG ищет похожие куски текста. Здесь агент получает не текст, а структуру: термин, его синонимы, привязанные колонки, готовые SQL-выражения для метрик и правила соединения таблиц. Ответ приходит вместе с SQL и списком шагов, которые к нему привели.

02Три стадии: генерация, сертификация, ответ

Онтология хранит три вида определений: термины (бизнес-понятия вроде «Клиент» или «Строка счёта» с описанием и синонимами, привязанные к колонкам), SQL-атрибуты (проверенные выражения под термином — маржа, скользящий итог) и связи (как соединяются таблицы, включая bridge-таблицы).

1ГенерацияIngestion-сервис читает схемы,профилирует колонки, извлекаетсущности и связи, пишет чернови…2СертификацияЛюди проверяют термины иSQL-атрибуты реальными вопросамив Chat или через MCP и помечают…3ОтветАгент классифицирует вопрос,достаёт кандидатов векторнымпоиском, пишет SQL, проверяет…Стадии жизненного цикла онтологии по README проекта

В README приведён проверяемый пример: одна компиляция демо-базы Wide World Importers дала 31 термин. Запрос про выручку по конкретному товару в Пенсильвании вернулся с суммой, SQL из шести join и перечнем шагов: какие термины распознаны, какие связи пройдены, какие фильтры проверены по данным.

Отдельный сценарий — вопрос, на который данных нет. Если онтология не покрывает понятие, агент не выдумывает ответ: инструмент check_answerable возвращает оценку покрытия (в примере — 0.5) и агент просит уточнить, где лежит нужная таблица.

Из чего состоит стек
Веб-приложениеNext.js 16, React 19, TypeScript, Tailwind 4, Better Auth, Prisma — порт 3000Бэкенд агентаFastAPI (Python 3.12+), LangChain — text-to-SQL, каталог, API онтологии, порт 3001IngestionFastAPI — загрузка табличных данных и семантическая компиляция, порт 3002MCP-серверFastMCP, read-only инструменты поверх публичного API, порт 3003ХранилищеPostgreSQL 17 + pgvector: каталог, онтология, эмбеддинги; Vault опционально

03Стек, коннекторы и модели

Проект поставляется как полноценный сервис, а не библиотека: docker-compose для локального запуска и Helm-чарт для Kubernetes. Ниже — компоненты с портами ровно так, как они описаны в README.

КомпонентТехнологияПорт
FrontendNext.js 16, Better Auth, Prisma3000
BackendFastAPI, LangChain3001
IngestionFastAPI3002
MCP-серверFastMCP3003
PostgresPostgreSQL 17 + pgvector5432
VaultHashiCorp Vault (опция)—
Компоненты стека Auto Ontology (README, снято 10.11.2026)

Подключений десять: PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse, Trino, Apache Kyuubi, HeavyDB, DuckDB и SQLite. Два последних задаются только строкой подключения.

Инференс идёт через NVIDIA NIM: по умолчанию хостед-каталог build.nvidia.com, нужен ключ вида nvapi-.... Роли моделей описаны как «триплеты» переменных окружения: REASONING, NON_REASONING, EMBED, RERANK, каждая со своими _ENDPOINT, _API_KEY, _MODEL. Незаполненные поля падают на DEFAULT_MODELS_*, так что минимальная настройка — один ключ и один набор дефолтов.

РольМодель по умолчаниюЧто делает
REASONINGnemotron-3.5-lightning-30b-a3bСтроит онтологию, пишет SQL и объяснение
NON_REASONINGnemotron-3.5-lightning-30b-a3bИнтент вопроса, извлечение сущностей, починка SQL
EMBEDnemotron-3.5-embed-1bИндексирует таблицы и термины в pgvector
RERANKnemotron-3.5-rerank-8bРанжирует кандидатов при компиляции
Роли моделей NIM по умолчанию (.env.example, снято 10.11.2026)
Порты 3001 и 3002 — только во внутреннюю сеть
Backend доверяет заголовку x-auto-ontology-user-id, который передаёт фронтенд, а у ingestion-сервиса нет собственной аутентификации на операции ingest, delete, reset и compile. В README прямо сказано: клиенты должны ходить через веб-приложение на порту 3000.

04MCP-сервер: девять инструментов и границы доступа

MCP-сервер даёт любому клиенту read-only доступ к онтологии. Каждый пользователь авторизуется в самом Auto Ontology, и вызовы выполняются с его правами — то есть RBAC фронтенда переносится на агента.

Девять MCP-инструментов по задачам
67%11%11%11%9инструментовТермины и колонки6 · 67%Проверка готовности1 · 11%Проверяемость вопроса1 · 11%Запрос с ответом и SQL1 · 11%

Запуск описан одной командой: uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp при заданном AUTO_ONTOLOGY_API_URL. Для Cursor конфигурация — обычная запись в mcp.json с url на порт 3003, для Claude Desktop — мост mcp-remote.

Что важно знать до установки
ТребованияDocker + Compose v2, uv, ключ nvapi
Релизов нетпроект живёт в main, тегов не публикуют
Внешние PRне принимают, только issues
Стандарт обменаApache Ossie, импорт/экспорт YAML

05Сравнение с альтернативными подходами

Ниже — не бенчмарк, а различие в подходе. Цифры звёзд сняты через GitHub API 10.11.2026 и показывают только масштаб экосистемы, а не качество.

КритерийAuto OntologyRAG по документамGraphRAG на Neo4j
Что хранитсяТермины, SQL-атрибуты, связиЧанки текста и эмбеддингиУзлы и связи графа
Откуда знанияМетаданные и профили колонокЗагруженные документыИзвлечение сущностей моделью
Происхождение ответаSQL + шаги + сертификацияСсылки на фрагментыПуть по графу
Порог входаDocker, Postgres, ключ NIMВекторная БД и загрузчикNeo4j и схема графа
Подходы к контексту агента, редакционное сравнение Qantcore
Масштаб экосистемы: звёзды GitHubзвёзд на 10.11.2026, GitHub API
012 50025 000pgvector23 635Neo4j17 418Auto Ontology11 180Apache Ossie2 680
Активность разработкикоммитов в неделю за последние 12 недель, снято 10.11.2026
020406080135791138564731203161564221417

За последние 12 недель в репозитории 424 коммита — проект молодой (создан 27.04.2026) и разрабатывается командой NVIDIA, а не сообществом: внешние правки не принимаются, а интеграции предлагают оформлять issue.

06Плюсы, минусы и кому это подойдёт

Плюсы. Единственный открытый проект такого класса, который закрывает весь цикл: генерация онтологии, человеческая сертификация, выдача агенту через MCP и проверка SQL. Стек стандартный и разворачивается локально одним compose-файлом. Есть импорт и экспорт семантических моделей по открытому стандарту Apache Ossie, то есть онтологию можно перенести.

Минусы. Требуется ключ NVIDIA NIM или собственные NIM-эндпоинты — это отдельная инфраструктура и отдельный счёт. Онтологию нельзя просто «включить»: без сертификации людьми черновик из метаданных даст красивые, но неверные ответы. Нет релизов и тегов, обновление — это git pull в main. Внешние контрибьюторы не принимаются, поэтому сообществом проект не растёт.

Кому подойдёт
Командам, у которых есть своя аналитика на SQL и несколько источников с расходящимися определениями метрик. Если данные живут в одном CSV или в документации — выигрыш от онтологии будет меньше затрат на её поддержку.
Оценка Qantcore по осям
Покрытие циклаПрозрачностьПорог входаЗрелостьОткрытостьAuto Ontologyсредний балл 7,7 / 10
Готовность к продакшену по нашим критериям
Документация8,6Безопасность по умолчанию7,4Простота установки6,2
Нет зарубежной карты для оплаты?Реклама. ООО «КАПИБАРА», ИНН 9703231520Оформить карту →
Как оплатить AI из России — разбор

Частые вопросы

Что такое NVIDIA Auto Ontology простыми словами?
Это открытая библиотека, которая строит онтологию — формальное описание бизнес-терминов, метрик и связей между таблицами — из метаданных ваших баз и отдаёт её агентам через MCP, CLI и REST API. Агент получает не текстовые фрагменты, а структуру, по которой можно проверить корректность ответа.
Нужен ли ключ NVIDIA и можно ли работать без него?
По умолчанию да: инференс идёт через NVIDIA NIM, в README указан ключ вида nvapi- с build.nvidia.com. Альтернатива — собственные NIM-эндпоинты или любой OpenAI-совместимый эндпоинт: роли моделей задаются переменными REASONING, NON_REASONING, EMBED и RERANK.
Какие базы поддерживаются?
Десять движков: PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse, Trino, Apache Kyuubi, HeavyDB, DuckDB и SQLite. DuckDB и SQLite подключаются только строкой подключения.
Можно ли подключить Auto Ontology к Claude Desktop или Cursor?
Да, сервер поднимается как MCP на порту 3003. Cursor прописывается напрямую в mcp.json, Claude Desktop — через мост mcp-remote. Инструменты read-only и работают с правами авторизованного пользователя.
Заменяет ли это dbt или готовую семантическую модель?
Нет. Проект прямо позиционируется как дополнение к семантическим моделям, которые уже есть у компании, и умеет импортировать и экспортировать их по открытому стандарту Apache Ossie в YAML.

Источники и официальные ссылки

Вердикт Qantcore
8,2/ 10
Auto Ontology — самый полный открытый ответ на проблему «агент отвечает быстро, но неправильно». Он не отменяет RAG, а добавляет то, чего в RAG нет: сертифицированные определения и проверку SQL. Главные издержки — ключ NIM и обязательная ручная сертификация онтологии. Если у вас несколько источников с расходящимися метриками, проект стоит пилота на одной витрине данных.
Дальше: как это встраивается в работу агента
Разберитесь со стандартами контекста: навыки агентов, MCP и граф знаний. В каталоге — обзоры инструментов, которые решают соседние задачи.
Плати по всему миру — карта для оплаты зарубежных нейросетей, приложений и подписок из России
Реклама. ООО «КАПИБАРА», ИНН 9703231520
Оплата AI-сервисов из РоссииКарта РФ, СБП или реселлер — рабочая страница оплаты без VPN
Перейти к оплате →