英伟达开源 Auto Ontology：给智能体一层企业上下文，让指标定义先对齐再回答
英伟达发布开源库 Auto Ontology，用企业元数据构建上下文层，把数据在哪里、指标是什么意思、该不该用、怎么用、来自哪里以及哪些内容相似告诉 AI 智能体。它从元数据生成企业本体，也能接入已有的本体和语义模型，并跨系统调和相互冲突的定义；随后通过 MCP、CLI 和 API 把这份上下文提供给任意智能体框架，并在回答中附带来源。该库以 Apache License 2.0 分发，当前不接受外部贡献。
金融数据库里的整数键让通用Text-to-SQL掉到五成以下，FLINT用查表智能体补上这一环
面向生产金融数据库的Text-to-SQL系统FLINT把自然语言问题落到具体表约束上，而不是只靠列名相似度匹配。通用系统在Spider、BIRD这类模式较浅、列值可读的基准上表现强，但金融库把概念存成不透明的整数键，简单查询也要多次连接，这些方法因此低于50%。FLINT用查表智能体解析概念、检索结构相似的查询模板，并沿外键链裁剪大模式，在两个共359道题的生产金融模式数据集上优于使用同一大模型的多种基线，并已部署在金融数据检索服务中。
PlanPool 将澄清计划外化为可变问题池，在三个基准上提升歧义覆盖并减少静默失败
该工作指出智能体式 Text-to-SQL 中执行结果正确并不等于已充分消解查询的欠规范，因为智能体可能静默做出恰好命中预期答案的未经验证假设；作者将这一行为部分归因于过早终止澄清，并提出 PlanPool，把澄清计划外化为可变问题池，要求每个计划问题在提交前被显式提问或丢弃、并允许交互中新增歧义，在三个由 BIRD-Interact 与 Spider 衍生的基准上一致提升歧义覆盖、减少静默失败，同时保持有竞争力的执行准确率。
已读完全部报道