人大开源 EvoOntology：给编码 Agent 装数据本体插件
EvoOntology 通过 MCP 按需提供指标与表关系本体，并随任务自我修正，已有 Claude Code 和 Codex 插件。
🧬 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://github.com/ruc-datalab/EvoOntology 论文：https://huggingface.co/papers/2609.15779