业务术语与指标口径
将术语映射到实际字段,为需要统一定义的度量绑定审核过的 SQL。
NVIDIA Auto Ontology 把业务术语、指标口径和表关系映射到数据库,让 Agent 回答数据问题时给出可以核对的 SQL。
挑一个团队之间口径不同的指标,参考 Auto Ontology 的语义层,将定义、数据表、审核过的 SQL 和验证题组串起来。
请求可预览和复制,不会从此处自动发送。
参考来源: NVIDIA Auto Ontology https://github.com/NVIDIA/auto-ontology 先阅读原始说明并核对当前环境与依赖。需要安装或连接新工具时,先提出方案。 我的任务: 阅读 NVIDIA Auto Ontology 的 README 和 MCP 文档,帮我明确订单、发票和退款中的月度净收入。输出口径、用于示例结构的参考 SQL 和五道验证题。标出有歧义的连接条件,连接真实数据库前先询问。 期望交付: 一份指标口径、参考查询,以及识别错误连接或覆盖缺口的验证用例。
同一句“上个月收入是多少”,财务和销售可能采用不同口径。Agent 要先理解收入的定义、哪些表可以连接,以及哪些记录应排除。Auto Ontology 从数据库元数据编译语义层,将术语映射到列与表关系,并可为指标保存审核过的 SQL。
项目部署在数据库旁。聊天界面可以返回答案背后的 SQL、结果行和执行步骤;只读 MCP 服务还向已认证的客户端提供术语查询、可回答性检查和问答工具,调用遵循登录用户的权限。配套的三个 Skills 分别覆盖部署、语义模型管理和查询验证。
如果在 Floatboat 里设计定期报表,可以借鉴这套方法,为指标保存责任人、定义和可复跑查询。先在测试库里选几个分析师可以独立复算的问题,把结果逐项核对清楚,再决定哪些指标可以交给 Agent。
业务问题先对应到术语和指标定义,再沿表关系生成查询。比对 SQL 与返回行时,可以把口径、连接条件和数据质量分开排查。
将术语映射到实际字段,为需要统一定义的度量绑定审核过的 SQL。
查看查询经过哪些表及连接条件,并将返回行与已知结果对照。
通过独立部署并完成认证后,可以先查术语和可回答性,再执行有依据的数据问答。
选一个分析师可以独立复算的问题,固定数据快照与统计周期。若结果有出入,先查指标定义,再查表连接和返回行,避免多个变量同时变化。
财务可能按净收入统计,销售则关注已签订单金额。分别记录两个指标的计算口径、排除项和参考 SQL,再对同一个月复算,并在报表标出实际采用的指标。
选取包含多行发票明细的订单,比较生成查询与人工确认的订单到发票连接。先核对行数,再核对汇总金额,避免误把重复记录算进周报。
在评估集中加入语义层没有覆盖的地区或产品属性,查询前先检查是否可回答。记录缺失的字段映射,由数据负责人补齐后再生成指标。
把统计区间、指标定义、实际 SQL 与返回行随报表存档。数据库字段或定义调整后重跑相同问题,审阅人可以追查数字变化从何而来。
官方示例使用微软的 Wide World Importers 数据库。Docker Compose 启动配套服务,推理端点和凭据则按选用的模型单独配置。
按上游快速入门准备 Docker、Compose v2 和 uv。
为所选推理端点配置凭据。上游示例使用 NVIDIA API 密钥。
先使用示例库或获准的测试数据源,并将数据库账号限制在任务所需范围内。
比较这些项目的用途、运行条件和源码许可。