解決 AI 代理查詢企業資料時的語義不一致問題

AI 代理雖然能檢索文件或查詢資料庫，但若缺乏對資料含義、來源及相似性的理解，其生成的分析結果往往不可靠。Auto Ontology 的目標是建立一個上下文層，告訴代理資料存放在哪裡、代表什麼意義、是否應該使用以及如何正確使用。

該工具從企業元數據中自動生成本體論（Ontology），並協調不同系統間不一致的定義。它不僅補充客戶現有的語義模型，還透過 MCP、CLI 和 API 將這些經過驗證的上下文資訊暴露給任何代理框架。

核心功能：從發現到驗證的完整流程

Auto Ontology 提供五項主要能力：發現、接地（Grounding）、驗證、暴露與學習。在「發現」階段，它能從元數據生成企業本體論，並連接現有的語義模型以構建 AI 就緒的知識圖譜。

在「接地」與「驗證」階段，系統為指標、實體和關係提供可信的業務意義，並檢查生成的查詢是否符合認證定義與資料血統。每個回答都會附帶來源資訊（Provenance），確保可追溯性。此外，系統會將經過認證的修正與使用回饋整合回本體論中，使共享上下文隨著每次提問而持續改進。

技術架構與預設模型配置

該專案的前端基於 Next.js 16 與 React 19，後端則使用 FastAPI 與 LangChain。資料庫層採用 Postgres 搭配 pgvector 擴充功能，用於存儲應用元數據、目錄、本體論以及向量儲存。

推論部分預設依賴 NVIDIA NIM 端點，包括語言模型 nvidia/nemotron-3-nano-30b-a3b、嵌入模型 nvidia/nemotron-3-embed-1b 以及重排序模型 nvidia/llama-nemotron-rerank-vl-1b-v2。這些模型可透過環境變數配置為託管 API 或自託管 NIMs，並支援使用其他 OpenAI 相容的端點作為替代方案。

部署選項與安全性考量

開發者可透過 Docker Compose 在本地啟動堆疊，或使用 Helm Chart 部署至 Kubernetes 集群。安裝過程需要 Docker v2、NVIDIA API 金鑰以及來源資料庫的連接詳細資訊。

關於憑證管理，若未配置 HashiCorp Vault，資料庫連接密碼將以明文形式存儲在 Postgres 中。啟用 Vault 後，憑證會安全存儲於 Vault 內，目錄行僅儲存資料庫名稱作為查找鍵。此外，系統支援 SSO 單點登入，並提供 API Token 機制供腳本與自動化任務使用，Token 僅儲存 SHA-256 雜湊值且即時撤銷有效。

授權條款與社群回饋

Auto Ontology 採用 Apache License 2.0 授權，但官方明確指出目前不接受外部貢獻（Pull Requests）。第三方開源元件清單列於 THIRD_PARTY_NOTICES.md 中。

社群討論中，有開發者指出 README 文件表述晦澀，建議應更清晰地說明工具目標。另有評論質疑其與傳統語義網技術（如 OWL/RDF）的比較優勢，並提到 UC Berkeley 的 DataAgentBench 等基準測試可能更適合評估此類多源資料代理的表現。