Nvidia otwiera kod Auto Ontology, warstwy rozumowania dla agentów pytających o dane firmy

Nvidia wrzuciła Auto Ontology na GitHuba 3 listopada. To biblioteka w Pythonie na licencji Apache 2.0, która stoi między agentem a bazami, o które ten pyta. README projektu nazywa problem wprost. Agenci potrafią już pobierać dokumenty i uruchamiać zapytania, ale liczba przychodu, która przychodzi szybko i błędnie, jest nic nie warta.

Biblioteka generuje ontologię z metadanych firmy. Uzgadnia definicje, które nie zgadzają się między systemami. Potem udostępnia wynik „dowolnemu środowisku agenta” przez MCP, interfejs wiersza poleceń i API. Jak podaje README, uzupełnia modele semantyczne, które klient już ma, zamiast je zastępować.

„Validate: sprawdzaj wygenerowane zapytania z zatwierdzonymi definicjami i rodowodem danych; zwracaj pochodzenie przy każdej odpowiedzi” - czytamy w dokumentacji. Pętla uczenia wciąga zatwierdzone poprawki z powrotem do ontologii. Wspólny kontekst zmienia się więc wraz z użyciem.

Stos wymieniony w repozytorium jest zwyczajny na tyle, że da się go sprawdzić. Postgres trzyma ontologię obok katalogu, który ona opisuje. Backend działa na FastAPI w Pythonie 3.12 lub nowszym, a LangChain zajmuje się zamianą języka naturalnego na SQL. Frontend to Next.js 16 z React 19, Prisma i Better Auth. Nvidia NIM odpowiada za odpytywanie językiem naturalnym. Wdrożenie to albo wykres Helm dla Kubernetesa, albo Docker Compose dla lokalnego stosu. Projekt nie przyjmuje zewnętrznych wkładów. To stawia go bliżej implementacji referencyjnej niż wspólnego forka.

Ma to znaczenie dla każdego, kto buduje pipeline do douczania modeli albo do ewaluacji. Douczony model, który pisze SQL, jest tyle wart, ile definicje, na których go trenowano. Repozytorium kieruje czytelników do osobnego repozytorium do ewaluacji SQL w ontologii, żeby uruchamiać testy porównawcze takie jak BIRD.

Agenci na smyczy i szkoła ich łamania

Problem kontekstu nie jest tylko Nvidii. Cisco otworzyło kod Project Quarry 28 października. To silnik wykrywania zachowań, który obserwuje całe sesje agenta, a nie pojedyncze wywołania narzędzi. Amy Chang, szefowa badań nad zagrożeniami i bezpieczeństwem AI w Cisco, powiedziała The Register w wywiadzie na wyłączność, że w większości systemów wykrywania brakuje „całego kontekstu, w którym coś może się wydarzyć”. Porównała to do oszustw kartowych. Jedna dziwna transakcja może przejść, ale ich sekwencja opowiada historię.

Quarry obejmuje rozmowy jedno- i wieloturowe, użycie narzędzi, interakcje przez Model Context Protocol i dane multimodalne. Dostarcza wtyczki do Claude Code, Codex i innych agentów zgodnych z MCP. Repozytorium zawiera wskazówki, jak pisać reguły, oraz pakiet startowy. To najbliższe kursowi, co ta dziedzina ma teraz do zaoferowania.

Bardziej bezpośredni kurs dało AI Red Team Academy, które 3 listopada opublikowało darmowy kurs open source o łamaniu systemów AI. To kurs, nie produkt. Liczba zapisanych nie jest publiczna.

W tym tygodniu dojrzały też narzędzia do uruchamiania kilku agentów kodujących naraz. Friday, opublikowany na GitHubie 1 listopada, steruje narzędziami kodowania, na których maszyna jest już zalogowana. Chodzi o Claude Code, Codex, Cursor, Gemini CLI i GitHub Copilot. Przenosi zadanie do kolejnego agenta, gdy jeden dobije limit użycia. Nie potrzebuje kluczy API ani konta. README mówi, że jedyne wysyłane dane to kilka anonimowych liczników użycia, które można wyłączyć.

Mniejsze projekty wypełniają luki na obrzeżach. Octomind, środowisko AI napisane w Ruście, które deklaruje oszczędność tokenów, zaktualizowano 3 listopada. Local Flow, aplikacja do dyktowania na macOS, która uruchamia Whisper przez whisper.cpp z Metalem, dostała aktualizację tego samego dnia. Ani jedno, ani drugie nie publikuje testów porównawczych, więc deklarację o tokenach trzeba traktować jako słowa autora.

Pytanie o pieniądze, którego nikt nie otworzył

Czy to wszystko się zwraca, to osobna dyskusja. Badanie opublikowane 3 listopada pyta wprost, czy hostowanie silnika wnioskowania open source jest opłacalne. Badanie stawia pytanie i nie odpowiada na nie.

Presja jest widoczna w innym miejscu stosu. OpenAI podało 3 listopada, że czterokrotnie zwiększa wypłaty w programie bug bounty. Krytyczne luki w ChatGPT lub Codex są warte do 30 000 dolarów, a wyjątkowe znaleziska do 100 000 dolarów. Premie podnoszą górny limit do około 172 000 dolarów, jak podaje The Decoder. Każdy, kto zgłosił błąd w poprzednich 30 dniach, dostaje różnicę z mocą wsteczną.

OpenAI zmienia też własne słownictwo. The Verge podało 3 listopada, że firma zaczęła nazywać centra danych „kampusami obliczeniowymi”. Termin pojawił się w ogłoszeniu programu Grid Protectors o długości około 900 słów, a „centrum danych” wystąpiło dwa razy. Holly Elmore z PauseAI US powiedziała The Verge, że to nie nazwa sprawia, iż obiekty są niepopularne.

„Zmiana nazwy na kampusy obliczeniowe może oszukać słuchaczy raz albo dwa, ale to nie nazwa centrum danych jest niepopularna” - powiedziała Elmore.

Nic z tego nie rozstrzyga, jak w produkcji powinien wyglądać stos do douczania modeli open source. Ale wydania z tego tygodnia wskazują w jednym kierunku. Model to tania część. Definicje, pochodzenie danych i ewaluacja wokół niego to miejsce, w którym teraz jest robota i uwaga.