Auto Ontology MCP(auto-ontology-mcp)是一个用 Python 编写的 MCP 服务器,目标很直接:把 NVIDIA Auto Ontology 的语义层带给任意 MCP 客户端,让 Claude Code、Codex、Cursor、VS Code、Claude 和 ChatGPT 等客户端里的模型能够更可靠地查询数据库,同时维护一个可检索的个人知识库。它本身不托管模型端点,也不需要配置 LLM API key——所有语言相关步骤交给 MCP 客户端里的模型完成,服务器只负责确定性的部分:schema 抽取、画像、键推断、校验、存储和只读执行。
它解决的问题:Text-to-SQL 的“静默失败”
项目 README 用一组对照说明了它的价值。模型直接读原始 schema 时,可能猜错 billing_city_id 和 delivery_city_id 哪个代表“客户所在州”,可能把两个整数列误当成连接键,可能在 state_name = 'pennsylvania' 上得到零结果,也可能把 0 到 0.3 的折扣列当作百分比来过滤。这些问题不会报错,只会返回一个看起来正常的数字。
接入 auto-ontology-mcp 后,模型可以从经过审阅的关系中获得连接路径,validate_sql 会拒绝本体不认识的连接并指出正确的那一个,也会在查询执行前提示存储值的大小写差异、百分比与小数阈值混淆、一对多连接导致的聚合膨胀,以及同一张表下两个一对多分支同时聚合的问题。对于数据无法回答的问题,check_answerable 会明确告知“没有覆盖”,而不是随便找一个收入列来充数。
主要功能
目录扫描与数据画像
通过 SQLAlchemy 读取表、列、声明的主外键和注释,并采样记录高频值、唯一性、空值率、范围、日期格式、小型文本枚举的完整取值集合,以及存储列表的文本列(例如 'SLE, RA')。
键推断
根据命名发现未声明的主键和外键,再用值包含关系确认;识别角色(billing_ 与 delivery_)、自引用和桥表,并列出无法归类的标识符列。demo 数据库的扫描结果显示:9 个未声明外键中,7 个被自动接受,1 个(employees.manager_id 自引用)提交审阅,1 个(orders.sales_rep_id)因名称不匹配被报告为未连接。
用你自己的模型建模
服务器逐表把样本、键和 Auto Ontology 的建模规则交给 MCP 客户端中的模型,再校验并存储模型提出的 Term 和列映射。模型不需要由本项目托管。
SQL 属性挖掘
从执行并验证过的查询和桥表中挖掘可复用的过滤条件、度量与连接模式;每个候选都会先在数据库上运行,通过后才保存。
可回答性检查
把问题中的实体匹配到 Term、属性、SQL 属性,以及数据中存储的名称(产品、地点、状态等)。随后检查匹配到的表如何连接:行对行、仅在问题也点名的表处相交、仅在未点名的共同父表处相交,或完全不相交。连接路径会优先选择行对行的路线,而不是更短但只共享父表的路线。
SQL 校验
覆盖未知列(并给出本体中的名称)、本体不认识的连接、近似字面量(包括 WHERE、HAVING 和选择列表比较)、对列表列使用 =、百分比与小数阈值混淆、一对多扇出,以及 dry run。扇出判断基于聚合对象:对订单行聚合 products.unit_price 会被标记,而按订单行计算的 SUM(order_lines.quantity * products.unit_cost) 不会。另有四项只依赖解析后的查询:整数除法截断、恒假 WHERE 或全 NULL 选择列表、只读一张表时按主键 GROUP BY、以及一对多关系中多端列裸选在 GROUP BY 旁。
治理
Term 和 SQL 属性具有 draft、certified、deprecated 状态;编辑已认证定义会将其退回 draft。已验证的问题与 SQL 对会供后续回答使用。
知识库
可写存储,保存实体(带类型列和引用)、概念(含 markdown 正文和类型化关系)、段落(摘录与章节摘要),以及每条记录背后的来源、定位和引文。配合索引、变更日志和 Obsidian 导出,可以作为 LLM Wiki 使用。全文搜索基于 FTS5,覆盖段落、Term 正文和来源,用 bm25 排序,支持前缀匹配和子串匹配,返回片段、标题和指向原文的 [[links]]。
原文留在 Obsidian
每个来源的全文保留在用户的 Obsidian vault 中:已有笔记、转录文本另存为新笔记,或复制 PDF/图片。知识库保存摘要和摘录,并链接回原文标题。导出时 export_wiki 会写出带别名、[[链接]] 和图视图的 Obsidian vault。
原地更新与可移植
来源变化时不重建全部内容:重新扫描保留 Term、认证状态和已审阅连接,新表和新列回到模型处理;文档变更只替换自己的段落,并把新原文作为新笔记放在旧笔记旁。整个语义层可导出为单个 YAML 或 JSON 文档并重新导入。
使用方式
项目需要 uv。先运行 demo 初始化:一条命令会创建包含 11 张表、3200 个订单的合成零售数据库,并把三份演示文档存入知识库,原文放在 ~/.auto-ontology-mcp/wiki/knowledge/originals。可用 auto-ontology-mcp demo --remove 清除 demo 添加的内容,用 --no-knowledge 只建数据库。
连接客户端时,Cursor 和 VS Code 提供一键配置;Claude Code、Codex CLI、OpenClaw、Hermes Agent、Cursor、VS Code、Claude Desktop 各有对应配置片段,auto-ontology-mcp config 会打印带绝对路径的版本。ChatGPT 和 claude.ai 这类 Web 客户端只能访问公网 HTTPS 地址,需要以 token 运行 HTTP transport 并通过隧道暴露,再作为自定义连接器添加。ChatGPT 中的写工具需要在开发者模式下添加连接器。
连接自己的数据库时,任何 SQLAlchemy URL 都可以使用;非内置驱动需要在客户端配置的 args 中加入相同的 --with,也可以把 URL 交给模型调用 add_datasource。README 列出了 SQLite 的内置支持,其他数据库的 URL 和驱动信息在文档后续部分。
典型使用顺序是:先让模型为 demo 数据源构建本体(审阅建议的连接、建模每张表、保存有用的 SQL 属性),再问“2024 年哪些州带来的已交付收入最高”,然后问一个数据无法回答的问题验证 check_answerable,再结合数据库和文档回答“中西部收入为何下降”,最后附加收据、账单、文章或读书笔记说“记住这个”,并导出知识库到 Obsidian。
技术特点与运行环境
项目主要语言为 Python,许可证为 Apache-2.0。服务器把确定性的工作放在本地 SQLite 文件中完成,语言步骤全部由 MCP 客户端中的模型承担,因此不需要自建模型端点或配置 API key。它提供 build_ontology、remember 等 prompt,以及 run_sql、validate_sql、find_join_path、check_answerable、search_text、export_wiki 等工具;search 和 fetch 工具遵循 ChatGPT 对搜索和深度研究连接器的形状预期。
适用人群与注意事项
它适合已经在使用 Claude、ChatGPT、Cursor 等 MCP 客户端,希望让模型更可靠地查询业务数据库的开发者或数据分析人员;也适合想把收据、论文、读书笔记等材料整理成可检索、可追溯知识库的个人用户。需要注意:Web 客户端接入需要公网 HTTPS 和隧道;ChatGPT 的写工具受开发者模式限制;Hermes Agent 只向 stdio 服务器传递基础环境,若知识库不在默认路径,需要在 env: 中设置 AUTO_ONTOLOGY_HOME。GitHub 上该项目当前有 479 个 Star 和 60 个 Fork,这是平台指标,不代表官方认证或全网排名。
项目主页:https://github.com/gogoymh/auto-ontology-mcp
项目地址:auto-ontology-mcp
相关推荐
WebsiteBench:评测 AI 智能体能否通过浏览器探索重建完整网站
PeakCut:开源自托管的 AI 视频切片工具,把长视频和直播变成竖版短片
Gemini Config Checker:用登录浏览器实测代理配置能否进入 Google AI Studio 和 Gemini
Gemini Config Checker:用登录态浏览器实测哪些代理配置能进 Google AI Studio 和 Gemini
Gemini Config Checker:用已登录浏览器实测代理配置能否进入 Google AI Studio 和 Gemini
Gemini Config Checker:用已登录浏览器验证代理配置能否进入 Gemini
ai-texture-forge:在 Blender 视口里用 AI 生成无缝 PBR 纹理的插件
Gemini Config Checker:用已登录浏览器实测代理配置能否访问 Google AI Studio 与 Gemini
最近更新
WebsiteBench:评测 AI 智能体能否通过浏览器探索重建完整网站
WebsiteBench 是一个面向 AI 智能体的网站重建评测基准,包含 70 个网站任务和 46,916 个隐藏测试用例,要求智能体通过浏览器探索反向工程出功能和视觉都接近原站的全栈版本。
Auto Ontology MCP:把语义层接入 Claude、ChatGPT,让数据库问答不再“静默出错”
Auto Ontology MCP 是一个基于 Python 的 MCP 服务器,把 NVIDIA Auto Ontology 的语义层接入 Claude、ChatGPT、Cursor 等客户端。它不需要 LLM API key,由客户端模型完成语言步骤,服务器负责 schema 扫描、键推断、SQL 校验和本地知识库存储,帮助减少 Text-to-SQL 的静默错误。
PeakCut:开源自托管的 AI 视频切片工具,把长视频和直播变成竖版短片
PeakCut 是一个自托管的 AI 视频切片工具,能把长视频和直播自动转成带字幕的 9:16 竖版短片,支持自带 AI 密钥、实时直播切片和连接社交平台发布。
Gemini Config Checker:用登录浏览器实测代理配置能否进入 Google AI Studio 和 Gemini
Gemini Config Checker 是一个 Go 编写的代理配置检测工具,通过已登录的 Chromium 浏览器实测 AI Studio 和 Gemini 的区域可用性,支持简单与链式两种模式,并提供反 DPI 配置档和 Xray 配置导出。当前为 0.1.0 早期预发布版。
Gemini Config Checker:用登录态浏览器实测哪些代理配置能进 Google AI Studio 和 Gemini
Gemini Config Checker 是一个用登录态浏览器实测代理配置能否真正进入 Google AI Studio 和 Gemini 的工具,支持 Simple/Advanced 两种路线、Anti-DPI 配置和 Xray 配置导出。项目以 Go 编写,采用 Apache-2.0 许可证,目前约 473 Star,仍处于 0.1.0 早期预发布阶段。
Gemini Config Checker:用已登录浏览器实测代理配置能否进入 Google AI Studio 和 Gemini
Gemini Config Checker 是一个 Go 编写的开源工具,用已登录浏览器实测代理配置能否真正进入 Google AI Studio 和 Gemini,支持简单/高级两种链路模式、Anti-DPI 参数与 Xray 配置导出,当前为 0.1.0 早期预发布版本。
Gemini Config Checker:用已登录浏览器验证代理配置能否进入 Gemini
Gemini Config Checker 是一个代理配置扫描工具,通过已登录的浏览器实际访问 Google AI Studio 和 Gemini,读取 Google 的区域判定,帮助用户筛出真正可用的代理配置。支持 Simple 和 Advanced 两种模式,内置 Anti-DPI 配置,提供 Windows、macOS、Linux、Android 及 Web 服务器版本。
ai-texture-forge:在 Blender 视口里用 AI 生成无缝 PBR 纹理的插件
ai-texture-forge 是一个 Blender 插件,可在 3D 视口内用文本提示生成无缝 PBR 材质、概念图和场景级投影纹理,支持本地 GPU 或云端扩散模型,面向 Windows x64 和 Blender 4.2+。
Gemini Config Checker:用已登录浏览器实测代理配置能否访问 Google AI Studio 与 Gemini
Gemini Config Checker 是一款通过已登录浏览器实测代理配置能否访问 Google AI Studio 和 Gemini 的工具,支持 Simple/Advanced 双模式、Anti-DPI 参数和链式配置导出,当前处于 0.1.0 早期预发布阶段。
Gemini Config Checker:用已登录浏览器筛选能进 Google AI Studio 和 Gemini 的代理配置
Gemini Config Checker 是一个面向代理配置的检查工具,通过已登录的 Chrome/Edge/Brave 浏览器读取 Google 对 AI Studio 和 Gemini 的区域判定,支持简单与高级两种扫描模式,并提供 Anti-DPI 配置和 Xray 配置导出。




