EvoOntology

在企业数据分析场景中，AI Agent 常常面临一个核心痛点：原始数据只有代号和数字，缺乏显式的业务语义。这导致 Agent 在分析时频繁猜测、重复探索，甚至产生严重的语义错误。EvoOntology 正是为解决这一 “Agent-Data Gap” 而生的开源项目。

它不仅仅是一个静态的知识库，更是一个可训练、自进化的 Ontology Layer。通过 MCP 工具集成，它能根据真实的 workload 和执行轨迹持续自我修正，让 Data Agent 越用越聪明。

核心价值：为什么需要 EvoOntology？

1. 消除语义不确定性：将隐藏在表名、字段背后的指标口径、实体关系与业务约束显式化，避免 Agent “望文生义”。
2. 拒绝重复探索：跨任务复用经过数据验证的知识，让 Agent 聚焦于分析本身，而非每次重新理解环境。
3. 降低维护成本：告别依赖专家手工维护的静态语义层。EvoOntology 根据实际交互自动适配，且所有更新均可检查、比较和回滚。

架构设计：三层联动 + 门控进化

EvoOntology 将 Ontology Layer 视为一种可训练的 Agent 状态，由三个相互关联的层组成：

自进化生命周期

• Build：从 workload 提取候选概念，在原始数据源中验证后发布 ontology_v0。
• Use：Agent 按需查询并记录交互轨迹与任务结果。
• Evolve：诊断重复出现的问题，生成局部 Candidate 补丁。
• Evaluate：在相同配置下配对评估 Parent 与 Candidate。
• Publish/Reject：只有通过门控评估的 Candidate 才会发布为新版本，确保进化方向始终正确。

快速开始：一键安装，零配置接入

EvoOntology 已上架 GitHub Marketplace，支持 Claude Code 和 Codex 等主流 Agent 框架，无需手动 clone 或配置环境。

Claude Code

claude plugin marketplace add MeiduoChong/EvoOntology
claude plugin install evoontology@evoontology
# 新建会话后运行
/evo-build      # 构建初始本体
/evo-evolve     # 触发自进化
/evo-visualize  # 可视化语义图

Codex

codex plugin marketplace add MeiduoChong/EvoOntology
codex plugin add evoontology-codex@evoontology
# 新建 thread 后使用
$evo-build
$evo-evolve
$evo-visualize

构建完成后，Data Agent 即可直接调用 MCP 工具查询语义，无需额外配置。

性能表现：实测显著提升

在四个主流分析 Benchmark 上，EvoOntology 相比无 Ontology Layer 的 ReAct 基线均取得明显提升：

💡 关键洞察：初始本体已带来显著收益，而自进化机制能在此基础上进一步持续提升，证明“基于真实 workload 的定向进化”策略有效。

两种使用模式适配不同场景

• fixed_split：适用于有固定测试集的 Benchmark 评估。Construction 数据用于构建和诊断，Validation Reserve 专用于最终门控。
• rolling_trajectory：适用于生产环境或冷启动项目。持续积累新轨迹，通过独立抽样或 LLM Judge 进行门控评估。

两种模式共用同一套 .evoontology/ workspace 和版本管理体系，无缝切换。