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.
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.
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.
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).
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.
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.
| Компонент | Технология | Порт |
|---|---|---|
| Frontend | Next.js 16, Better Auth, Prisma | 3000 |
| Backend | FastAPI, LangChain | 3001 |
| Ingestion | FastAPI | 3002 |
| MCP-сервер | FastMCP | 3003 |
| Postgres | PostgreSQL 17 + pgvector | 5432 |
| Vault | HashiCorp Vault (опция) | — |
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.
| Роль | Модель по умолчанию | Что делает |
|---|---|---|
| REASONING | nemotron-3.5-lightning-30b-a3b | Строит онтологию, пишет SQL и объяснение |
| NON_REASONING | nemotron-3.5-lightning-30b-a3b | Интент вопроса, извлечение сущностей, починка SQL |
| EMBED | nemotron-3.5-embed-1b | Индексирует таблицы и термины в pgvector |
| RERANK | nemotron-3.5-rerank-8b | Ранжирует кандидатов при компиляции |
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.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.
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.
Ниже — не бенчмарк, а различие в подходе. Цифры звёзд сняты через GitHub API 10.11.2026 и показывают только масштаб экосистемы, а не качество.
| Критерий | Auto Ontology | RAG по документам | GraphRAG на Neo4j |
|---|---|---|---|
| Что хранится | Термины, SQL-атрибуты, связи | Чанки текста и эмбеддинги | Узлы и связи графа |
| Откуда знания | Метаданные и профили колонок | Загруженные документы | Извлечение сущностей моделью |
| Происхождение ответа | SQL + шаги + сертификация | Ссылки на фрагменты | Путь по графу |
| Порог входа | Docker, Postgres, ключ NIM | Векторная БД и загрузчик | Neo4j и схема графа |
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.
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.