NVIDIA stellt Auto Ontology unter Apache 2.0 bereit: Kontextschicht für SQL-Agenten

NVIDIA stellt Ontologie-Bibliothek für SQL-Agenten unter Apache 2.0 bereit

NVIDIA hat Auto Ontology als Open-Source-Bibliothek veröffentlicht. Die Lizenz ist Apache 2.0. Drittkomponenten listet die Datei THIRD_PARTY_NOTICES.md auf.

Aus Unternehmens-Metadaten baut die Bibliothek eine semantische Kontextschicht, also eine Ontologie beziehungsweise einen Knowledge Graph. Agenten sollen damit SQL erzeugen, das gegen zertifizierte Definitionen und Lineage geprüft wird. Die Antwort kommt mit einem Herkunftsnachweis zurück.

Auto Ontology soll bereits vorhandene semantische Modelle der Kunden ergänzen, nicht ersetzen. Die Kontextschicht stellt die Bibliothek per MCP, CLI und API für beliebige Agenten-Harnesses bereit. Als Problem nennt die README: Eine Zahl, die schnell vorliegt, nützt wenig, wenn sie falsch ist. Mangelnde Zuverlässigkeit bremse agentische Analytik. Dies ist die Darstellung des Herstellers.

Discover, Ground, Validate, Expose, Learn: die fünf Funktionen laut README

Die README beschreibt fünf Funktionen. Discover erzeugt Ontologien aus Metadaten, bindet bestehende Ontologien und semantische Modelle ein und baut KI-taugliche Knowledge Graphs. Ground hinterlegt die geschäftliche Bedeutung von Metriken, Entitäten und Beziehungen und gleicht uneinheitliche Definitionen systemübergreifend ab. Validate prüft erzeugte Abfragen gegen zertifizierte Definitionen und Lineage und liefert zu jeder Antwort einen Herkunftsnachweis. Expose stellt den Kontext über MCP, CLI und API bereit. Learn überführt zertifizierte Korrekturen und Nutzung zurück in die Ontologie.

Dass sich der gemeinsame Kontext mit jeder Frage verbessert, behauptet der Hersteller. Belegen ließe sich das erst über längere Nutzung. Das vorliegende Material enthält dazu keine Daten.

Weitere Angaben stammen aus dem Newsletter AlphaSignal. Demnach unterstützt das Projekt Databricks, Postgres, Snowflake und DuckDB als Quellen. Zugriff sei etwa aus Cursor und Claude Desktop möglich. Standardmäßig laufen NVIDIA-NIM-Nemotron-Modelle. Jeder OpenAI-kompatible Endpunkt lässt sich über Umgebungsvariablen eintragen. Die Bereitstellung erfolge per Docker Compose oder Helm.

Evaluations-Repository erlaubt Vergleich mit Schema-only-Kontrolle, Ergebnisse fehlen

Für Text-to-SQL-Benchmarks verweist die README auf ein separates Evaluations-Repository. Es bündelt eine Ingestion und einen Benchmark auf Basis von NeMo Gym. Die Ingestion extrahiert das Schema einer Quelldatenbank in Postgres-Speicher mit pgvector, kompiliert die semantische Schicht und reichert den Graphen an.

Der Benchmark lässt eine LLM-Kontrolle, die nur das Schema kennt, gegen den ontologiegestützten Agenten antreten und weist die Differenz aus. Bewertet wird deterministisch per Execution Match, ohne LLM-Richter.

Unterstützt werden BIRD Dev mit 1.534 Fragen auf 11 SQLite-Datenbanken oder die Mini-Dev-Teilmenge mit 500 Fragen. Ebenfalls möglich sind FDABench-Lite mit 169 von 282 Aufgaben auf 15 Datenbanken sowie BIRD-Interact. Dort beschränkt sich die Nutzung auf c-Interact und Query-Aufgaben. Nötig sind ein laufender Postgres mit pgvector und eine erreichbare Quelldatenbank. Die Installation erfolgt per uv sync aus einer gepinnten GitHub-Revision.

Konkrete Benchmark-Ergebnisse liegen im vorliegenden Material nicht vor. Wer die Wirkung beurteilen will, muss sie selbst prüfen, etwa mit dem Evaluations-Repository oder eigenen Daten. Laut AlphaSignal hatte das GitHub-Repository zuletzt 207 Sterne.