NVIDIA 为企业 AI 补上业务数据层：从查资料走向预测与决策

企业里的 AI 助手已经能从文档中找答案，但遇到“哪些订单可能延期”“这笔收入应按什么口径计算”，光靠检索和流畅表达还不够。它需要知道数据之间的关系、指标的业务含义，以及自己可以采取什么行动。

2026年10月21日，NVIDIA 宣布扩展 Agent Toolkit，加入 Agent Knowledge Foundation，将检索模型、结构化数据预测模型、业务语义工具与加速计算库组合起来。它给企业 AI 提出了一条更完整的技术路径：先把信息找对、含义弄清，再做预测和优化。官方公告

数据能查到，不代表业务含义一致

设想采购人员询问“下个月哪些供应商最可能影响交付”。系统可能需要同时关联订单、库存、物流记录和供应商资料。即使查询语句可以运行，交付时间指承诺日期还是实际到货日期、取消订单是否计入统计，都会改变结论。

这些问题很难单靠扩大模型参数解决。企业首先需要一套共享的业务定义，让不同系统里的客户、产品、订单和指标能够对应起来。技术上，这类对象及关系可以用“本体”表达，也就是一张让机器理解业务概念的关系地图。

NVIDIA 的 Auto Ontology 负责建立这一层。其官方项目说明包括从企业元数据组织业务语义、协调不同系统的定义，并根据已认证的定义与数据血缘检查查询、提供结果出处。它补充现有语义模型，而非要求企业先推倒重建。Auto Ontology 官方项目

关键在于“认证”由谁完成。NVIDIA 明确把自动生成的本体称为起点，需要业务专家测试、修订和确认。财务、采购或运营人员仍要对指标口径负责，工具降低的是整理和接入的工作量，不能替他们决定什么才是正确的业务定义。Agent Knowledge Foundation

从检索资料到估计下一步

这套基础层并非一个包办所有任务的新模型。Nemotron Retriever 侧重文档处理和检索；Auto Ontology 提供业务语义；Kumo 则面向表格、关联表与时间序列上的预测。底层 CUDA-X 库承担数据处理、关系分析、机器学习、向量检索和优化计算。企业可以按需要选择组件，不必采用新的全套平台。组件与工作流程

Kumo 的意义尤其容易被忽略。根据开发者文档，Tabular 面向单表预测，Relational 利用多张表之间的关系，Forecast 面向需求等时间序列，Anomaly 用于发现异常。这让 AI 助手有机会把“过去发生了什么”与“接下来可能怎样”接起来，而不只是在现成报告中寻找描述。Kumo 官方介绍

仍以交付为例，一个合理的系统可以先检索合同条款，再读取相关订单，生成延期风险估计，最后在产能和运输约束下提出调整方案。这是对组件能力的场景推演，并非 NVIDIA 已公开验证的整套交付系统。风险预测也不是事实，更不能直接替代采购决定。

为什么要接入已有数据平台

NVIDIA 公布的落地方式体现了这一点：其供应链组织通过 Palantir 的 Foundry、Ontology 和 AIP 使用这套能力；Databricks、Snowflake 等也在各自环境中整合相关组件。这里更值得关注的是接入既有企业系统的方式，而非合作伙伴名单有多长。企业应用情况

对已经投入数据仓库、权限体系和分析工具的企业而言，再建一座独立的 AI 数据孤岛会增加同步与维护负担。把语义、检索和预测能力放进已有流程，可能更容易复用既有投入。但接入组件仍会带来算力、推理、数据整理与运维成本，开源并不等于免费上线。

真正上线前，应检验哪些问题

首先看业务口径是否稳定。同一个问题换个问法，是否仍得到一致的统计范围？答案能否追溯到具体数据、版本和计算方法？对于预测任务，还要用时间上后发生的数据检验效果，避免把已经知道的结果混入测试。

其次分清读取与行动的权限。能够分析供应商风险，不代表应该自动修改订单。Agent Toolkit 的 OpenShell 提供运行时访问与行为边界，但企业仍须定义哪些动作允许自动完成，哪些要由业务负责人批准。运行时与治理说明

配置也需要单独检查。Auto Ontology 官方仓库提示，通过界面添加的数据源连接，在未配置 Vault 时会将包括密码在内的连接对象明文存入数据库。这是具体部署方式的风险，不能被“企业级”或“安全运行时”等整体描述掩盖。连接管理说明

最后应衡量每个有效结果的总成本：节约多少人工核查时间、产生多少错误建议、需要多少返工。官方列出的组件性能提升，不能直接换算成一家企业的经营回报。

这也决定了它更适合怎样的团队：已经有数据平台、业务负责人和工程维护能力，且确实需要跨表分析或预测的企业，能更具体地评估各个组件。只想做文档问答的小团队，则没有必要为了追随“完整架构”一次部署全部工具。先定位错误来自检索、口径还是预测，再选择补哪一层，比堆叠组件更有意义。

NVIDIA 这次扩展值得关注的方向，是把企业 AI 的可靠性延伸到数据和业务定义本身。模型能力仍然重要，但当助手开始影响订单、库存与资源安排时，能否说明“这个结论怎么算出来、谁确认过、允许做什么”，会成为更实际的竞争力。