nvidia auto ontology可以通过docker compose搭建本地服务，将数据目录、业务术语关系和自然语言查询放在同一套应用中。它不只是一个安装后即可直接查询全部业务数据的python包，首次运行还需要数据库、模型接口和管理账户配置。
先准备容器与测试数据
后端使用Python服务，完整应用还包括网页前端、数据导入服务和PostgreSQL等组件。入门时使用独立测试库，避免直接连接生产业务数据库并赋予写入权限。准备Git、可正常运行的Docker Compose，以及符合所选模型要求的API Key。克隆项目并创建配置文件：
git clone https://github.com/NVIDIA/auto-ontology.git cd auto-ontology cp .env.example .env
编辑.env中的模型密钥、登录密钥、数据库密码和管理账户密码。示例中的占位值不能直接用于真实部署，各模型角色的配置也需要与实际可用接口一致。
应用前端、后端、模型与数据源的关系示意
配置数据库连接再启动服务
CONNECTION_STRINGS用于指定数据连接，示例数据源与自行准备的数据源应分别核对。容器中的postgres主机名、宿主机地址和远程数据库地址不能混用。如果已有可用于演示的独立测试库，先确认表结构和少量样例数据可读，再启动整套服务：
docker compose up -d --build
需要使用项目配套示例库时，应按其数据准备流程导入到专用空库；带有清理或重建数据的命令，不应在已有业务库中直接运行。
完成语义准备后再提问
打开本地3000端口对应的网页，使用.env中配置的管理账户登录。在Settings中的Semantic Compilation启用语义编译，等待页面出现Semantic compilation is ready，再进入Chat输入与测试数据有关的问题。语义编译用于把字段、术语和关联关系整理为查询可用的信息。如果准备尚未完成，只有页面能打开并不能说明自然语言查询已具备可靠的数据基础。
业务术语与数据关系的语义图示例
用SQL和原始记录核对答案
首次问题应具体，例如限定时间、商品或地区，不要直接要求系统总结所有业务。检查返回的SQL、涉及的表和筛选条件，再与测试库中的结果比较。数据库权限应按实际需求收紧，模型生成的SQL也需要审查。确认样例查询可重复得到正确结果后，再逐步扩大数据范围，比一开始导入完整生产数据更容易发现术语映射和连接配置问题。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
