Приходилось ли тебе подключать языковую модель к рабочей базе данных и просить её посчитать простую бизнес-метрику — например, квартальную выручку компании? Снаружи всё выглядит безупречно: агент за секунду пишет запрос с JOIN, GROUP BY и фильтрами по датам, парсер PostgreSQL выполняет его без единой ошибки и выдаёт аккуратную сумму. Вот только когда этот отчёт открывает финансовый директор, выясняется, что цифра в полтора раза расходится с реальностью.
Проблема здесь не в том, что нейросеть плохо знает синтаксис SQL — его современные модели выучили отлично. Беда в том, что модель не понимает бизнес-смысл твоих таблиц. В зрелой корпоративной базе параллельно живут таблицы заказов orders, выставленных счетов invoices, оплат payments и возвратов refunds. Чтобы избавить аналитических ботов от слепого угадывания связей, инженеры NVIDIA открыли под лицензией Apache 2.0 фреймворк NVIDIA AutoOntology, на который обратил внимание канал SQL Portal. Система строит поверх СУБД проверенный семантический слой понятий и раздаёт его ИИ-агентам через протокол MCP.
Иллюзия правильного SQL: почему валидный запрос выдаёт ложные цифры
Подключая LLM напрямую к базе в сценарии Text-to-SQL, мы неявно ждём от модели телепатии. Модель видит лишь технические названия колонок и типы данных: amount, status, created_at. Но за ними скрыты годы исторических наслоений и внутренних правил учёта, которые нигде в схеме INFORMATION_SCHEMA не зафиксированы.
Представь, что ты нанял переводчика с безупречным знанием грамматики, привёл его на огромный оптовый склад без вывесок и попросил за пять минут посчитать стоимость всех отгруженных за квартал товаров. В первом ангаре лежат черновики заявок (orders), во втором — выставленные счета (invoices), в третьем — фактические платежи (payments), а в четвёртом — возвраты (refunds). Без складского регламента переводчик составит грамматически идеальный отчёт, но просто сложит суммы из первой попавшейся ведомости вместе с отменёнными заказами.
Ровно в эту ловушку попадает ИИ-агент при расчёте квартальной выручки:
- он не знает, признаёт ли компания доход по дате заказа в
orders, по счёту вinvoicesили только после оплаты вpayments; - он забывает вычесть суммы из
refundsи отфильтровать тестовые статусы; - при объединении четырёх таблиц он легко порождает декартово произведение, задваивая суммы при частичных платежах.
Ты резонно спросишь: «А почему не положить регламенты в векторную базу и не подключить обычный RAG?» Текстовый поиск по вики находит разрозненные абзацы из инструкций бухгалтерии, но не даёт жёсткой сцепки с внешними ключами и таблицами СУБД. О том, как быстро сбивается бот при переполнении промпта неструктурированными текстами, я рассказывал в разборе архитектуры автономного ИИ-агента и управления контекстом. Для реляционных баз агенту нужна строгая машиночитаемая карта данных.
Сканирование и онтология: как AutoOntology извлекает структуру и выстраивает связи
Вместо того чтобы заставлять LLM заново разгадывать ребус схемы при каждом вопросе, AutoOntology вводит между базой и агентом онтологию (семантический слой). Простыми словами, это толковый словарь базы данных, где бизнес-понятия жёстко привязаны к физическим столбцам и формулам расчёта.
Построение словаря начинается с этапов Discovery (обнаружение) и Grounding (привязка понятий):
- Сбор метаданных. Воркер инжестии подключается к СУБД и считывает первичные и внешние ключи, индексы, типы данных и комментарии к столбцам.
- Построение графа понятий. С помощью моделей NVIDIA NIM система формирует бизнес-термины («Клиент», «Заказ», «Чистая выручка»), правила объединения таблиц и расчётные SQL-шаблоны.
- Векторизация. Термины и описания колонок переводятся в эмбеддинги и сохраняются в каталог PostgreSQL с расширением
pgvector.
Чтобы запустить конвейер, в файле .env задаётся конфигурация моделей NVIDIA NIM для рассуждений, эмбеддингов и реранкинга:
# Базовый эндпоинт и ключ доступа
DEFAULT_MODELS_ENDPOINT="https://integrate.api.nvidia.com/v1"
DEFAULT_MODELS_API_KEY="nvapi-..."
DEFAULT_MODELS_MODEL="nvidia/nemotron-3.5-lightning-30b-a3b"
# Модели эмбеддингов и реранкинга для поиска по онтологии
EMBED_MODEL="nvidia/nemotron-3-embed-1b"
RERANK_MODEL="nvidia/llama-nemotron-rerank-vl-1b-v2"
Здесь DEFAULT_MODELS_MODEL подключает модель рассуждений nemotron-3.5-lightning-30b-a3b, которая собирает граф онтологии и формирует SQL-запросы. Переменная EMBED_MODEL отвечает за векторизацию терминов в pgvector, а RERANK_MODEL ранжирует таблицы при поиске цепочек JOIN. После копирования .env.example в .env и запуска docker compose up -d фоновый воркер сканирует подключённую базу и строит черновой граф понятий.
Сертификация метрик: участие человека в подтверждении формул и проверка ограничений
Ключевой принцип AutoOntology: автоматически сгенерированная онтология — это только черновик. Какой бы сильной ни была модель, она не угадает финансовую политику конкретной компании. Поэтому третьим этапом идёт Certification (сертификация с участием человека — Human-in-the-Loop).
Аналитик данных открывает веб-интерфейс на http://localhost:3000, переходит во вкладку Data Catalog и проверяет связи между таблицами orders, invoices, payments и refunds. Эксперт корректирует описания, фиксирует точную формулу квартальной выручки (оплаченные счета из payments со статусом закрытия в invoices минус подтверждённые возвраты из refunds) и сертифицирует метрику.
Не допускай агента к финансовым отчётам на автосгенерированной схеме без ручной сертификации формул аналитиком: без проверки человеком фреймворк не гарантирует защиту от галлюцинаций LLM. Кроме того, модель EMBED_MODEL при инжестии схемы должна строго совпадать с моделью, используемой при поиске во время запросов пользователей.
Сертифицированная формула сохраняется в PostgreSQL как единый источник правды: теперь агент обязан использовать утверждённое SQL-выражение вместо собственных догадок. А для численной проверки точности Text-to-SQL на академическом бенчмарке BIRD с замером Execution Accuracy команда NVIDIA выпустила пакет auto-ontology-eval, что отлично дополняет общую практику автоверификации и эвалов для ИИ-агентов.
Архитектура интеграции: связка PostgreSQL, pgvector, FastAPI и раздача контекста по MCP
Внутри стека AutoOntology работают четыре компонента: веб-интерфейс на Next.js 16 (порт 3000, React 19, TypeScript, Tailwind CSS 4, Better Auth, Prisma), основной бэкенд на FastAPI с Python 3.12+ и LangChain (порт 3001), воркер инжестии на FastAPI (порт 3002) и СУБД PostgreSQL с pgvector (порт 5432).
Четвёртый этап конвейера — Context Serving — отдаёт верифицированный контекст внешним агентам (Claude Desktop, LangChain, AutoGen, CrewAI) через сервер Model Context Protocol (MCP). В конфигурацию агента добавляется адрес MCP-сервера http://localhost:3001/mcp с набором инструментов семантического слоя:
{
"mcpServers": {
"auto-ontology": {
"url": "http://localhost:3001/mcp",
"tools": [
"get_certified_metric",
"resolve_table_joins",
"execute_grounded_query"
]
}
}
}
При вопросе о квартальной выручке агент вызывает get_certified_metric и получает проверенную формулу с учётом refunds. Инструмент resolve_table_joins возвращает безопасный граф объединения orders, invoices и payments без циклических или декартовых связей. Затем execute_grounded_query исполняет запрос в изолированном контексте БД и возвращает ответ вместе с происхождением данных (provenance / data lineage) — точным SQL-кодом и цепочкой таблиц. Если же спросить о метрике, которой в базе нет (например, о рекламных расходах), агент проверит покрытие онтологии и честно сообщит об отсутствии данных вместо выдумывания цифр.
Учитывай лишь одну деталь: хотя проект открыт под лицензией Apache 2.0, команда NVIDIA пока разрабатывает его закрытым контуром и не принимает внешние Pull Requests. В остальном AutoOntology даёт командам готовый способ подружить ИИ-аналитиков с корпоративным PostgreSQL. А если прямо сейчас без нейросетей попросить трёх аналитиков из разных отделов твоей компании написать формулу «чистой квартальной выручки» по вашим таблицам — сойдутся ли у них правила вычета возвратов хотя бы с первой попытки?



