人大开源 EvoOntology：数据 Agent 的自进化本体层

来源摘录

Ren@Ryrenz原内容发布于 2026年10月16日

🧬 人大刚开源了 EvoOntology，装进 Claude Code 或 Codex，Agent 查数据会越用越准。论文拿下了 Hugging Face Daily Papers 当日第一。用 AI 查过公司数据的人都踩过这个坑：问一句“上季度复购率多少”，Agent 先把表结构翻一遍，再猜 uid 和 user_id 哪个才对，“复购”怎么算也靠猜。猜错了，算出来的数还挺像那么回事。常见的补救是写一份数据字典塞进 prompt。论文专门测了这招：同样的语义信息整段塞进上下文，Claude-Sonnet-5 的得分不升反降，掉了 15 分。 EvoOntology 的做法是让 Agent 自己维护这本说明书： 1️⃣ 先从你要问的问题出发，把指标定义、表之间的关系、业务约束整理成一层本体，每一条都拿真实数据验证过才入库 2️⃣ 用的时候通过 MCP 按需查，这一步需要哪个概念就取哪个，不往上下文里硬塞 3️⃣ 每次跑完任务，它会看 Agent 在哪一步出了错，只改出问题的那一小块。新版本要在同样的模型、同样的数据上跑赢旧版才会上线，跑不赢就继续用旧版同一个 Claude-Sonnet-5 换成这种用法，得分涨了 8.8 分，和整段塞 prompt 一来一回差了将近 24 分。GPT-5.5 在 DDR-Bench 上更夸张，涨了 26.7 分。 Claude Code 和 Codex 都有现成插件，不用 clone 仓库，也不用另配 Python 环境。模型权重一个没动，变强的是 Agent 手里那本数据说明书。 GitHub：https://t.co/cv161pt0Cl 论文：https://t.co/nB6GRVHsEo

深度解析

是什么 人大 ruc-datalab 开源的 EvoOntology，自称首个面向数据 Agent 的自进化本体层，通过 MCP 暴露带版本号的语义层，弥合 Agent 与异构表、文件、数据库之间的语义鸿沟。论文登上 Hugging Face Daily Papers 当日第一，仓库 955 星、提供 Claude Code 与 Codex 现成插件。

核心设计 三层结构：Content Layer 是含 Terms、Mappings、Constraints、Evidence 四类节点的类型化语义图；Schema Layer 定义字段与合法关系模式；Tool Layer 经 browse_semantics、resolve_semantics 按需取用。生命周期为 Build→Use→Evolve→Evaluate→Publish，每次只对出错部分做局部补丁，候选版本须在同模型、同数据、同交互预算下跑赢父版本才发布，否则保留旧版。

关键洞察 把本体层视为"可训练的 Agent 状态"而非模型权重。对比实验显示，同样的语义信息整段塞入上下文，Claude-Sonnet-5 反而掉 15 分；而按需检索加定向演化在 BIRD 提升 8.8 分、DDR-Bench 提升 20 分，验证"主动取用优于被动注入"。

边界与风险 InsightBench 增益仅 +1.0，开放式分析任务收益有限；进化质量依赖执行轨迹与评测预算，初始本体构建决定上限；项目 2026 年 9 月才创建，生态与生产验证尚早。