ruc-datalab/EvoOntology

해결하는 문제

EvoOntology은 AI 에이전트가 테이블, 파일, 데이터베이스와 같은 원시 데이터 소스의 의미를 이해하지 못하는 '에이전트-데이터 갭' 문제를 해결합니다. 메트릭 정의나 엔티티 관계를 추측해야 하는 의미 불확실성 문제를 해결하고, 데이터와 워크로드가 변화함에 따라 빠르게 낡아지는 고비용의 수작업 정적 의미 계층이 필요 없도록 합니다.

작동 방식

이 시스템은 시간이 지남에 따라 진화하는 학습 가능한 상태로 온톨로지 계층을 다룹니다. 세 가지 상호 연결된 계층으로 구성됩니다:

• 콘텐츠 계층: 용어, 매핑, 제약 조건, 증거를 포함하는 타입이 지정된 의미 그래프.
• 스키마 계층: 온톨로지가 어떻게 표현될지를 정의하는 규칙과 경계를 설정합니다.
• 도구 계층: Model Context Protocol (MCP) 도구를 통해 에이전트에 온톨로지를 노출시켜, 에이전트가 필요로 하는 특정 의미만 필요할 때마다 가져올 수 있도록 합니다. 전체 온톨로지를 컨텍스트 창에서 처리할 필요가 없습니다.

라이프사이클은 워크로드 증거에서 초기 온톨로지를 구축하고, 에이전트 작업에 사용하며, 상호작용 궤적을 진단해 업데이트를 제안하고, 부모 버전과 비교해 업데이트를 평가한 후 새로운 버전을 게시하는 루프를 따릅니다.

대상 사용자

수작업 의미 매핑이나 지속적인 전문가 유지보수 없이 다양한 복잡한 데이터 소스에서 작동하는 데이터 에이전트를 개발하는 개발자들.

주요 특징

• 자기 진화형: 관측된 실행 행동과 상호작용 기록을 기반으로 온톨로지 계층을 자동으로 개선합니다.
• MCP 호환성: Claude Code 및 Codex와 같은 에이전트용 유니버설 플러그인으로 통합 가능합니다.
• 근거 기반 구축: 하위 원시 데이터에 대해 검증된 후에만 의미 객체가 커밋됩니다.
• 게이트형 버전 관리: 이전 버전에 비해 재현 가능한 개선이 나타나야만 새로운 온톨로지 버전이 게시됩니다.