同一个“收入”，在财务系统和销售系统里可能口径不同。AI 即使很快找到数据，也可能拿错字段、算出一个看似合理的错数。NVIDIA 开源的 Auto Ontology，正是想先把这些分散定义整理清楚，再交给 Agent 使用。
它会从企业元数据生成本体——也就是明确概念、属性和关系的知识结构，并与已有本体和语义模型连接，形成统一的语义层。相比普通 RAG（先检索资料、再生成回答），这层结构不仅帮助寻找相关数据，还告诉 Agent 数据是什么意思、来自哪里、该不该用。项目尤其强调查询验证：生成的查询可对照经过认证的定义与数据血缘检查，回答也附带来源；确认后的修正和使用记录还能回写，让共享语境逐步改进。
这套语义层可通过 MCP——AI 应用连接工具和数据源的开放协议——以及 CLI、API 提供给不同 Agent。项目采用 Apache 2.0 许可证，但目前不接受外部贡献；材料也未提供独立基准结果，因此实际能否稳定改善查询，仍需看具体部署。