Nvidia veröffentlicht Auto Ontology als Open Source: eine Reasoning-Schicht für Agenten, die Unternehmensdaten abfragen

Nvidia hat Auto Ontology am 3. November auf GitHub gestellt. Es ist eine Python-Bibliothek unter Apache 2.0, die zwischen einem Agenten und den Datenbanken liegt, die er abfragt. Das README des Projekts benennt das Problem ohne Umschweife. Agenten können bereits Dokumente holen und Abfragen ausführen, doch eine Umsatzzahl, die schnell und falsch ankommt, ist nichts wert.

Die Bibliothek erzeugt aus Unternehmensmetadaten eine Ontologie. Sie gleicht Definitionen ab, die in verschiedenen Systemen voneinander abweichen. Das Ergebnis stellt sie über MCP, eine Kommandozeilenschnittstelle und eine API für "jede Agenten-Harness" bereit. Laut README ergänzt sie semantische Modelle, die ein Kunde bereits besitzt, statt sie zu ersetzen.

"Validate: check generated queries against certified definitions and lineage; return provenance with every answer", heißt es in der Dokumentation. Der Lernzyklus führt zertifizierte Korrekturen zurück in die Ontologie. Der gemeinsame Kontext verändert sich also mit der Nutzung.

Der im Repository aufgelistete Stack ist gewöhnlich genug, um ihn prüfen zu können. Postgres hält die Ontologie neben dem Katalog, den sie beschreibt. Das Backend läuft mit FastAPI auf Python 3.12 oder neuer, LangChain übernimmt den Weg von natürlicher Sprache zu SQL. Das Frontend ist Next.js 16 mit React 19, Prisma und Better Auth. Nvidia NIM treibt die Abfrage in natürlicher Sprache an. Für den Betrieb gibt es entweder ein Helm-Chart für Kubernetes oder Docker Compose für einen lokalen Stack. Externe Beiträge nimmt das Projekt nicht an. Damit steht es eher für eine Referenzimplementierung als für einen Community-Fork.

Das zählt für jeden, der eine Fine-Tuning- oder Evaluationspipeline baut. Ein trainiertes Modell, das SQL schreibt, ist nur so gut wie die Definitionen, gegen die es trainiert wurde. Das Repository verweist Leser auf ein separates Repository zur SQL-Evaluation von Ontologien, um Benchmarks wie BIRD laufen zu lassen.

Agenten an der Leine und eine Schule, um sie auszubrechen

Das Kontextproblem betrifft nicht nur Nvidia. Cisco hat am 28. Oktober Project Quarry als Open Source veröffentlicht. Es ist eine Engine zur Verhaltenserkennung, die ganze Agentensitzungen beobachtet statt einzelner Tool-Aufrufe. Amy Chang, Leiterin der Forschung zu KI-Bedrohungen und Sicherheit bei Cisco, sagte The Register in einem exklusiven Interview, den meisten Erkennungsverfahren fehle "der gesamte Kontext, unter dem etwas geschehen kann". Sie verglich es mit Kreditkartenbetrug. Eine einzelne merkwürdige Transaktion mag durchgehen, doch eine Folge davon erzählt eine Geschichte.

Quarry deckt Gespräche mit einer und mit mehreren Runden ab, dazu Tool-Nutzung, Interaktionen über das Model Context Protocol und multimodale Eingaben. Es kommt mit Plugins für Claude Code, Codex und andere MCP-kompatible Agenten. Das Repository enthält eine Anleitung zum Schreiben von Regeln und ein Starterpaket. Näher kommt die Branche einem Lehrplan derzeit nicht.

Direkter wird es bei der AI Red Team Academy, die am 3. November einen kostenlosen Open-Source-Kurs zum Knacken von KI-Systemen veröffentlichte. Es ist ein Kurs, kein Produkt. Zahlen zu Anmeldungen sind nicht öffentlich.

Auch die Werkzeuge, um mehrere Coding-Agenten gleichzeitig laufen zu lassen, sind diese Woche gereift. Friday, am 1. November auf GitHub gestellt, steuert die Coding-Werkzeuge, die auf einem Rechner bereits angemeldet sind. Dazu gehören Claude Code, Codex, Cursor, Gemini CLI und GitHub Copilot. Erreicht eines sein Nutzungslimit, gibt das Tool die Aufgabe an den nächsten Agenten weiter. Es braucht keine API-Schlüssel und kein Konto. Laut README werden nur einige anonyme Nutzungszahlen zurückgeschickt, die sich abschalten lassen.

Kleinere Projekte füllen die Lücken am Rand. Octomind, eine in Rust geschriebene Agenten-Harness, die laut eigener Aussage Tokens spart, wurde am 3. November aktualisiert. Local Flow, eine Diktier-App für macOS, die Whisper über whisper.cpp mit Metal ausführt, bekam am selben Tag ein Update. Benchmarks liefert keines von beiden, die Token-Behauptung bleibt also die des Autors.

Die Geldfrage, die niemand als Open Source gestellt hat

Ob sich das alles rechnet, ist eine eigene Debatte. Eine am 3. November veröffentlichte Studie fragt direkt, ob sich der Betrieb einer Open-Source-Inferenz-Engine lohnt. Die Studie stellt die Frage und beantwortet sie nicht.

Der Druck zeigt sich an anderer Stelle im Stack. OpenAI teilte am 3. November mit, die Bug-Bounty-Auszahlungen zu vervierfachen. Kritische Schwachstellen in ChatGPT oder Codex sind bis zu 30.000 Dollar wert, außergewöhnliche Funde bis zu 100.000 Dollar. Boni heben die Obergrenze auf rund 172.000 Dollar, berichtet The Decoder. Wer in den vergangenen 30 Tagen einen Fehler gemeldet hat, erhält die Differenz rückwirkend.

OpenAI schreibt auch sein eigenes Vokabular um. The Verge berichtete am 3. November, das Unternehmen nenne Rechenzentren nun "compute campuses". Der Begriff tauchte in einer rund 900 Wörter langen Ankündigung für das Grid Protectors Program auf, während "data center" zweimal vorkam. Holly Elmore von PauseAI US sagte The Verge, nicht der Name mache die Anlagen unbeliebt.

"Rebranding them 'compute campuses' may fool listeners once or twice but it's not the name 'data center' that is unpopular", sagte Elmore.

Nichts davon klärt, wie ein Open-Source-Stack fürs Fine-Tuning im Produktivbetrieb aussehen sollte. Doch die Veröffentlichungen dieser Woche weisen in eine Richtung. Das Modell ist der billige Teil. Die Definitionen, die Herkunft und die Evaluation drumherum sind der Ort, an dem die Arbeit und die Prüfung jetzt liegen.