¿Te ha tocado conectar un modelo de lenguaje a una base de datos en producción y pedirle que calcule una métrica de negocio sencilla, por ejemplo, los ingresos trimestrales de la empresa? Por fuera todo parece impecable: en un segundo el agente escribe una consulta con JOIN, GROUP BY y filtros por fechas, el parser de PostgreSQL la ejecuta sin un solo error y devuelve una cifra ordenada. El problema aparece cuando el director financiero abre ese reporte y descubre que el número se desvía un cincuenta por ciento de la realidad.
El fallo aquí no es que la red neuronal no domine la sintaxis SQL: los modelos actuales la han aprendido de sobra. El problema es que el modelo no entiende el significado de negocio de tus tablas. En una base corporativa madura conviven en paralelo tablas de pedidos orders, facturas emitidas invoices, pagos payments y devoluciones refunds. Para evitar que los bots analíticos adivinen relaciones a ciegas, los ingenieros de NVIDIA liberaron bajo licencia Apache 2.0 el framework NVIDIA AutoOntology, reseñado por el canal SQL Portal. El sistema construye sobre el SGBD una capa semántica verificada de conceptos y la entrega a los agentes de IA mediante el protocolo MCP.
La ilusión del SQL correcto: por qué una consulta válida arroja cifras falsas
Al conectar un LLM directo a la base en un escenario Text-to-SQL, esperamos telepatía del modelo sin darnos cuenta. El modelo solo ve nombres técnicos de columnas y tipos de datos: amount, status, created_at. Pero detrás hay años de capas históricas y reglas internas de contabilidad que no figuran en ningún rincón de INFORMATION_SCHEMA.
Imagina que contratas a un traductor con una gramática impecable, lo llevas a un enorme almacén mayorista sin letreros y le pides que en cinco minutos sume el valor de toda la mercancía despachada en el trimestre. En la primera nave hay borradores de solicitudes (orders), en la segunda están las facturas emitidas (invoices), en la tercera los cobros reales (payments) y en la cuarta las devoluciones (refunds). Sin el reglamento del almacén, el traductor redactará un informe gramaticalmente perfecto, pero sumará la primera planilla que encuentre junto con los pedidos cancelados.
Exactamente en esa trampa cae un agente de IA al calcular los ingresos trimestrales:
- no sabe si la empresa reconoce el ingreso por la fecha del pedido en
orders, por la factura eninvoiceso solo tras el cobro enpayments; - olvida restar los importes de
refundsy filtrar estados de prueba; - al unir cuatro tablas genera con facilidad un producto cartesiano, duplicando montos cuando hay pagos parciales.
Con razón te preguntarás: «¿Y por qué no meter los reglamentos en una base vectorial y conectar un RAG normal?» La búsqueda de texto en una wiki recupera párrafos sueltos de manuales contables, pero no ofrece un enlace rígido con claves foráneas y tablas del SGBD. Ya conté lo rápido que se desorienta un bot cuando el prompt se satura de textos sin estructura en el análisis sobre arquitectura de un agente de IA autónomo y gestión del contexto. Para bases relacionales, el agente necesita un mapa de datos estricto y legible por máquina.
Escaneo y ontología: cómo AutoOntology extrae la estructura y traza relaciones
En vez de obligar al LLM a descifrar el acertijo del esquema en cada pregunta, AutoOntology introduce entre la base y el agente una ontología (capa semántica). Dicho fácil, es un diccionario explicativo de la base de datos donde los conceptos de negocio quedan atados de forma estricta a columnas físicas y fórmulas de cálculo.
La construcción del diccionario arranca con las fases Discovery (descubrimiento) y Grounding (anclaje de conceptos):
- Recolección de metadatos. Un worker de ingesta se conecta al SGBD y lee claves primarias y foráneas, índices, tipos de datos y comentarios de columnas.
- Construcción del grafo de conceptos. Con ayuda de modelos NVIDIA NIM, el sistema genera términos de negocio («Cliente», «Pedido», «Ingreso neto»), reglas de unión entre tablas y plantillas SQL de cálculo.
- Vectorización. Los términos y descripciones de columnas se convierten en embeddings y se guardan en un catálogo de PostgreSQL con la extensión
pgvector.
Para arrancar la tubería, en el archivo .env se define la configuración de modelos NVIDIA NIM para razonamiento, embeddings y reranking:
# Endpoint base y clave de acceso
DEFAULT_MODELS_ENDPOINT="https://integrate.api.nvidia.com/v1"
DEFAULT_MODELS_API_KEY="nvapi-..."
DEFAULT_MODELS_MODEL="nvidia/nemotron-3.5-lightning-30b-a3b"
# Modelos de embeddings y reranking para buscar en la ontología
EMBED_MODEL="nvidia/nemotron-3-embed-1b"
RERANK_MODEL="nvidia/llama-nemotron-rerank-vl-1b-v2"
Aquí DEFAULT_MODELS_MODEL conecta el modelo de razonamiento nemotron-3.5-lightning-30b-a3b, que arma el grafo de ontología y genera las consultas SQL. La variable EMBED_MODEL se encarga de vectorizar términos en pgvector, y RERANK_MODEL ordena las tablas al buscar cadenas de JOIN. Tras copiar .env.example a .env y ejecutar docker compose up -d, el worker en segundo plano escanea la base conectada y construye un borrador del grafo de conceptos.
Certificación de métricas: participación humana para aprobar fórmulas y validar límites
El principio clave de AutoOntology es claro: la ontología generada automáticamente es solo un borrador. Por potente que sea el modelo, no adivinará la política financiera de una empresa concreta. Por eso la tercera etapa es Certification (certificación con intervención humana, Human-in-the-Loop).
Un analista de datos abre la interfaz web en http://localhost:3000, entra en la pestaña Data Catalog y revisa las relaciones entre orders, invoices, payments y refunds. El experto corrige descripciones, fija la fórmula exacta de ingresos trimestrales (facturas pagadas de payments con estado cerrado en invoices menos devoluciones confirmadas de refunds) y certifica la métrica.
No dejes que un agente genere reportes financieros sobre un esquema autogenerado sin certificación manual de las fórmulas por un analista: sin revisión humana, el framework no garantiza protección frente a alucinaciones del LLM. Además, el modelo EMBED_MODEL usado al ingerir el esquema debe coincidir exactamente con el modelo empleado en la búsqueda durante las consultas de los usuarios.
La fórmula certificada se guarda en PostgreSQL como única fuente de verdad: desde ese momento, el agente está obligado a usar la expresión SQL aprobada en lugar de sus propias conjeturas. Y para medir numéricamente la precisión Text-to-SQL en el benchmark académico BIRD con Execution Accuracy, el equipo de NVIDIA publicó el paquete auto-ontology-eval, que encaja muy bien con la práctica general de autoverificación y evals para agentes de IA.
Arquitectura de integración: PostgreSQL, pgvector, FastAPI y entrega de contexto vía MCP
Dentro del stack de AutoOntology trabajan cuatro componentes: interfaz web en Next.js 16 (puerto 3000, React 19, TypeScript, Tailwind CSS 4, Better Auth, Prisma), backend principal en FastAPI con Python 3.12+ y LangChain (puerto 3001), worker de ingesta en FastAPI (puerto 3002) y SGBD PostgreSQL con pgvector (puerto 5432).
La cuarta etapa de la tubería —Context Serving— entrega el contexto verificado a agentes externos (Claude Desktop, LangChain, AutoGen, CrewAI) mediante un servidor Model Context Protocol (MCP). En la configuración del agente se añade la dirección del servidor MCP http://localhost:3001/mcp con el conjunto de herramientas de la capa semántica:
{
"mcpServers": {
"auto-ontology": {
"url": "http://localhost:3001/mcp",
"tools": [
"get_certified_metric",
"resolve_table_joins",
"execute_grounded_query"
]
}
}
}
Ante una pregunta sobre ingresos trimestrales, el agente llama a get_certified_metric y recibe la fórmula validada con el descuento de refunds. La herramienta resolve_table_joins devuelve un grafo seguro para unir orders, invoices y payments sin ciclos ni productos cartesianos. Luego execute_grounded_query ejecuta la consulta en un contexto aislado de la base de datos y devuelve la respuesta junto con la procedencia de los datos (provenance / data lineage): el código SQL exacto y la cadena de tablas. Y si alguien pregunta por una métrica ausente en la base (por ejemplo, gasto publicitario), el agente revisa la cobertura de la ontología e informa con honestidad que no hay datos en vez de inventar cifras.
Ten en cuenta solo un detalle: aunque el proyecto se publicó bajo licencia Apache 2.0, el equipo de NVIDIA todavía lo desarrolla en circuito cerrado y no acepta Pull Requests externos. Por lo demás, AutoOntology ofrece a los equipos una vía lista para reconciliar a los analistas de IA con el PostgreSQL corporativo. Y si ahora mismo, sin redes neuronales, le pidieras a tres analistas de distintos departamentos de tu empresa que escriban la fórmula de «ingresos trimestrales netos» sobre vuestras tablas, ¿coincidirían en las reglas de resta de devoluciones al primer intento?

