EvoOntology：面向数据智能体的自演化本体层

数据智能体面对异构数据时，既无法先验知道结构和内容，又只能经通用工具访问，形成持续的 agent–data gap。

• 场景与重要性：作者称数据智能体要用自然语言完成跨表、文件和数据库的任务，数据却在智能体外部。智能体只能通过 SQL、文件读取等通用工具看到列名和路径，因而反复探测、猜测概念位置并检查无关内容。
• 现有方法的不足：作者把已有做法分为两类。Raw querying 在小而简单的数据源上有效，但在宽而异构的数据上容易陷入重复、低效的探索。语义层提供模式、实体和指标，但整层塞进上下文不适用于大源，且多为预定义、人工维护，难以适配新数据、新任务和新智能体。
• 核心观察：作者认为中间层应显式表示领域概念、把概念落到数据上，并让智能体在语义层而非物理层交互；发现到的 grounding 应被保留并随负载演化，而不是用完即弃。本体还须同时适应多样、动态的数据源和智能体行为。
• 本文提出：作者提出 EvoOntology，一种自演化本体层。它把模式层、内容层和工具层封装为 MCP server，供智能体在运行时主动查询；再用构建智能体做初始本体，并用基于归因的类型化编辑加配对评测做持续精炼。

数据智能体的原始查询

• Text-to-SQL 与表问答：Li et al. (2023)、Yu et al. (2018)、Li et al. (2024a) 让模型对关系数据库生成查询；Chen et al. (2020)、Pasupat and Liang (2015) 在表格上推理。Sahu et al. (2025)、Guo et al. (2024) 用执行代码的分析器回答 CSV 上的商业智能问题。
• 流水线式工具调用：Pourreza and Rafiei (2023)、Wang et al. (2025)、Talaei et al. (2024)、Cao et al. (2024)、Caferoğlu and Ulusoy (2024)、Li et al. (2024b) 用分解、检索和验证组织工具调用。作者认为它们提升了标准化基准，但未触及底层表示差距，且单条轨迹中的 grounding 通常被丢弃。
• 工具使用基础：Yao et al. (2022)、Schick et al. (2023)、Qin et al. (2023)、Patil et al. (2024) 使 LLM 能直接访问外部数据源。

语义层与本体

• 本体与指标层：Hitzler (2021) 的 OWL 本体与 dbt Labs (2023) 的指标层把领域概念连到关系数据。Feng et al. (2024)、Chang and Fosler-Lussier (2023) 做面向 LLM 的语义表示和提示时元数据。
• 自动归纳与反馈：Zhang et al. (2023b)、Nan et al. (2023) 用 LLM 归纳模式或指标描述；Zhou et al. (2022)、Khattab et al. (2023)、Asai et al. (2024) 用反馈精炼提示词或检索器。作者认为这些层通常是静态的提示时元数据，与下游轨迹脱节，全量注入难扩展，粗粒度更新也难以指出哪一条语义影响了决策。

基线方法与基准

• 基线：同一 ReAct 脚手架下的 Baseline（无本体）、Baseline + SL（把构建智能体产出的语义层作为静态提示片段，引用 Cao et al. 2024、Caferoğlu and Ulusoy 2024、Li et al. 2024b、Chang and Fosler-Lussier 2023），以及 Table 2 的 ReAct + Memory（Shinn et al. 2023; Wang et al. 2023; Madaan et al. 2023）。BIRD 还对照先前 text-to-SQL 系统（Pourreza and Rafiei 2023; Wang et al. 2025; Talaei et al. 2024）。
• 基准：DDR-Bench（Liu et al. 2026）的 10-K 场景、InsightBench（Sahu et al. 2025）、BIRD（Li et al. 2023，Oracle Knowledge）。作者还提到 Spider（Yu et al. 2018; Lei et al. 2025）把设定扩展到多模式和企业流程，但实验主结果不在 Spider 上。

作者把本文定位为：经 MCP 做选择性运行时访问，并用有证据的类型化编辑、经配对验证后更新单条本体条目，从而把跨负载的模式发现摊销下来。

EvoOntology 是 agent-first 的构建—演化框架：本体围绕训练负载构建，经智能体工具接口访问，再从执行历史中适配。

本体状态与三层

演化轮 t 的状态写为 L_t = (S_t, Γ_t, R_t)，分别是内容层、模式层和工具层。作者称这种分离让部署中的智能体只取当前步相关语义，也让演化智能体只改本体的一个有界部分。

• 内容层 S_t：带类型的语义图。节点族为 Terms（领域概念）、Mappings（落到字段和连接路径）、Constraints（合法使用规则）、Evidence（支撑语义主张）。边族为 Semantic Relations（association、hierarchy、composition、equivalence、derivation）和 Structural References（把 Term 连到 Mapping，并把 Constraint、Evidence 接到所约束或支撑的对象）。Figure 2 用财务分析例子说明这些组件。
• 模式层 Γ_t：规定四类节点的字段、允许的语义关系类型和引用模式。更新模式层可以扩展表示能力而不改已实例化的内容。
• 工具层 R_t：经 MCP 暴露两个工具和一个 session manifest。fbrowse(q, k, n) 按查询 q 和种类 k 取 top-n 语义匹配；fresolve(I, c) 返回所请求记录及其链接对象。manifest 只在会话初始化时放入提示词，给出紧凑的来源与用法信息；详细记录按需检索。

证据约束的初始构建

构建智能体从训练负载和原始数据源构造初始本体，不观察 gold answers。

1. 负载引导探测：给定训练负载 W 和原始源 D，由 propose(W) 从反复出现的实体、指标、操作和分析条件得到候选 C。对每个 c，probe(c, D) 寻找候选字段和连接路径，并检查类型、取值和语义一致性。
2. 有证据才提交：只有 verify(probe(c, D)) = 1 的候选进入初始内容层。verify 检查声明的类型、过滤条件和取值分布。通过者在 Γ_0 下实例化，支撑记录保留为 Evidence。默认工具层 R_0 与之一起构成 L_0 = (S_0, Γ_0, R_0)。

轨迹驱动的自演化

作者认为仅有数据落地还不能保证本体适合某个智能体。历史轨迹中，成功执行显示有效的语义结构和访问模式，失败则暴露缺失、误导或暴露不佳的组件。

• 轨迹归因：由 T_t 和 L_t 得到签名 Σ_t = analyze(T_t, L_t)。每个签名概括一种交互模式、涉及的本体对象和观察结果。α 把签名分到 Content、Tool 或 Schema，并陈述更新的预期行为效果。
• 局部干预：对签名 σ，候选为 L′_t = patch(L_t, σ, α(σ))，每次只改一层。内容层可增删改实例对象；工具层可改现有工具或按观察行为增减工具；模式层修订对象模型。实现同一假设的多个相关内容对象可以一起更新。
• 骨干条件的配对验证：对骨干 m，φ(L, V; m) 是本体状态 L 在验证集 V 上的分数。候选与父版本在同一 V 上、用相同解码和交互预算评测。仅当提升达到边际 τ 才保留，否则回退到父版本。作者称单层差异用于隔离被归因的假设，并限制验证集上的回退。被拒候选及其签名、干预和评测结果会被记录，以避免重复无效更新。各骨干从同一 L_0 独立演化，使接受的更新反映该骨干的交互模式。

保留规则为：若 φ(L′_t, V; m) − φ(L_t, V; m) ≥ τ 则 L_{t+1} = L′_t，否则保持 L_t。

评测协议中的训练—测试划分

作者把本体构建和演化视为训练时的负载适配。每个基准分成不相交的折 A、B。A→B 时，A 的 70% 用于构建、轨迹分析和候选生成，其余 30% 做配对验证；选出的本体在测 B 前冻结。再反向做 B→A，报告两向分数的平均。held-out 折的答案和评审反馈不用于构建、演化或候选选择。所有方法使用相同折划分和部署配置。

实验设置

• 骨干：GPT-5.5、GPT-5.6-sol、Claude-Sonnet-5、Claude-Opus-4.8、DeepSeek-V4-Flash、Qwen3.5-Flash。各条件共用同一 ReAct 脚手架、原始数据工具、解码配置和交互预算。论文未给出具体预算数值。Table 1 另列出 Reported ReAct 的既有数字，骨干与上述六者不同。
• 基准：DDR-Bench 的 10-K 场景，报告 Message-Wise、Trajectory-Wise 和 Overall；InsightBench 报告 Insight、Summary 和 Overall；BIRD 在 Oracle Knowledge 下报告 EX 与 VES。评分遵循各基准官方协议。论文未写各基准样本量。
• 基线：Baseline 为无本体的 ReAct；Baseline + SL 把构建智能体的语义层作为静态提示片段。Table 2 另有 ReAct + Memory，把过去轨迹存成可检索情节并注入 top-k。InsightBench 表中还列出 Pandas Agent 与 AgentPoirot 的既有结果。
• 划分：每基准两折互惠评测。构建折的 70% 用于构造与候选生成，30% 用于配对验证；本体冻结后再测另一折，Score 为两向平均。
• 演化对照：Figure 3 比较 Baseline、Initial（演化前的构建结果）和 Evolved。作者称对四个骨干的主指标取均值以概括趋势；论文未点名这四个骨干是哪四个。

主结果

下表为本文六骨干上、相对 Baseline 的主指标。括号外为 EvoOntology，括号内为相对 Baseline 的增益（百分点）。DDR-Bench 取 Trajectory-Wise（Table 1），InsightBench 取 Overall（Table 3），BIRD 取 EX（Table 4）。

表格较宽，可左右滑动

骨干	DDR Traj-Wise	Insight Overall	BIRD EX
GPT-5.5	90.9 (+26.7)	51.0 (+0.8)	论文 Table 4 报告每骨干均提升，正文给出六骨干平均 +7.4；单骨干 EX 在所附文本中列对齐不可靠，不单列
GPT-5.6-sol	93.5 (+25.0)	52.1 (+1.6)	同上，平均见正文
Claude-Sonnet-5	81.3 (+8.8)	53.0 (+0.7)	同上
Claude-Opus-4.8	92.3 (+19.3)	53.2 (+0.8)	同上
DeepSeek-V4-Flash	52.3 (+22.0)	45.9 (+6.1)	同上
Qwen3.5-Flash	19.1 (+4.8)	33.4 (+1.6)	同上

• DDR-Bench：作者称六个骨干的 Trajectory-Wise 都提高，平均增益 +17.8 个百分点，范围从 Qwen3.5-Flash 的 +4.8 到 GPT-5.5 的 +26.7。Baseline + SL 并不稳定：Claude-Sonnet-5 的 Trajectory-Wise 为 57.5，相对 Baseline 的 72.5 下降 15.0 个百分点。作者认为静态片段与其他指令竞争且不能按轮裁剪，而 EvoOntology 用 MCP 按需取当前步相关的 term 和 mapping。
• 记忆对照：Table 2 在四个骨干平均上，Trajectory-Wise 从 Baseline 的 69.5 到 ReAct + Memory 的 75.8（+6.3），EvoOntology 为 89.5（相对 Baseline +20.0），比记忆方法高 13.7 个百分点。作者认为情节记忆只重放已发生的事，不暴露可组合的类型化结构。
• InsightBench 与 BIRD：InsightBench 上每个骨干的 Overall 都高于 Baseline，平均增益 1.9 个百分点，最大为 DeepSeek-V4-Flash 的 +6.1。作者称增益小于 DDR-Bench，因为 Insight 按短参考式发现打分，与参考对齐后会饱和。Baseline + SL 在 Claude-Sonnet-5 的 Summary 上为相对 −3.3。BIRD 上作者称每个骨干的 EX 和 VES 都提高，平均增益分别为 7.4 和 8.6 个百分点；Baseline + SL 的 EX 最多下降 5.6（GPT-5.5），VES 则在所有骨干上上升。作者认为静态层改善了 SQL 形式良好性，但干扰了正确查询。

Table 1 中 Reported ReAct 的 Trajectory-Wise 从 Gemini-3-Flash 的 21.2 到 GPT-5.1 的 44.3 不等，骨干与本文 Baseline 不同，不并入上表。InsightBench 表首的 AgentPoirot（GPT-4o）Overall 为 52.0，Pandas Agent（GPT-4o）为 47.0，骨干也不同于本文六者。

初始本体与自演化

Figure 3 比较 Baseline、Initial 和 Evolved。作者称初始本体已明显高于无本体基线，自演化在三个基准上继续扩大增益。在四个骨干均值上：DDR-Bench 的 Trajectory-Wise 从 Baseline 到 Initial 增加 12.3 个百分点，再从 Initial 到 Evolved 增加 7.7 个百分点。作者称 InsightBench 的平均 Insight 先升后继续上升，BIRD 的平均 EX 同样两段都上升；所附文本对这两段的具体均值不完整，不转写未对齐的数。图注中可见的标注包括 DDR-Bench 上 93.5、90.9、92.3、81.3、82.9，以及 BIRD 上 78.3、73.2、71.8；论文未在正文逐一对应到骨干。

案例：卡牌合法性

Figure 8 描述一次内容层补丁。初始本体有 Card 与 Legality 的一般语义及 cards、legalities 的模式证据，但没有说明 legalities.status 如何解释，也没有写明合法性相对于具体游戏格式。演化智能体将其归因到内容层：现有 browse 和 resolve 已能取回对象，模式层也能表示所需知识。接受的补丁新增 Term「Legality Status Code」、到 legalities.status 的 Mapping、记录取值分布的 Evidence，以及同时依赖状态值与目标格式的 Constraint；不改工具层或模式层。作者称通过配对验证后，browse 可以在涉及 banned 或 legal 的查询中露出该 Term，resolve 再给出 Mapping、Evidence 和 Constraint，过滤仍由原生 SQL 执行。

其他消融与分析

• Table 1：Baseline + SL 在 DDR-Bench 上六骨干的 Trajectory-Wise 增益为 −0.3、−3.0、−15.0、−1.6、+1.4、−1.0（顺序同表中 GPT-5.5 至 Qwen3.5-Flash）。
• Table 3：Baseline + SL 的 Overall 增益为 +0.8、+0.6、−1.6、+0.8、+2.0、+0.2；EvoOntology 的 Insight 增益为 +0.5、+1.6、+1.1、+0.9、+4.2、+1.8。
• Table 2：记忆方法 +6.3，EvoOntology +20.0，均为四骨干平均的 Trajectory-Wise。
• 正文：BIRD 上 EvoOntology 的 EX、VES 平均增益为 7.4 与 8.6；Baseline + SL 的 EX 最多 −5.6（GPT-5.5），VES 全骨干上升。
• 正文：Figure 3 四骨干均值，DDR-Bench Trajectory-Wise 的两段增量为 12.3 与 7.7 个百分点。
• 负面结果：静态语义层在多个骨干上低于无本体 Baseline，作者归因于提示竞争和不能按轮裁剪，而不是本体内容本身无效；InsightBench 上若干骨干的增益接近 0（如 GPT-5.5 的 Overall 仅 +0.8）。

作者指出的局限与后续方向

所附正文在贡献、方法和实验中没有单独的 Limitations 小节。从方法与实验的明文可核对的、作者明确写成尚未做到或计划去做的只有下面两条；其余“可以进一步探索”的推断不写入。

• 按骨干独立演化：方法节写明各骨干从同一 L_0 独立演化，接受的更新反映该骨干的交互模式。作者没有报告跨骨干共享更新。这是方法设定的边界，不是作者在局限节中的原话；若论文后部有局限节而转换文本未保留，则此处不能补写。
• 论文未在所附全文中给出独立的局限清单。因此不把实验讨论里的饱和、静态层下降等现象改写成作者指出的局限。

若以结论节常见写法核对：所附文本在案例之后截断，未见 Conclusion、Limitations 或 Future Work 的标题与原句。按规则，未见明文就不列为作者指出的局限。

实验覆盖范围

• 被测骨干为 GPT-5.5、GPT-5.6-sol、Claude-Sonnet-5、Claude-Opus-4.8、DeepSeek-V4-Flash、Qwen3.5-Flash，共 6 个；条件共用 ReAct、原始数据工具、解码和交互预算（Experiments）。
• 基准为 DDR-Bench 的 10-K 场景、InsightBench，以及 BIRD 的 Oracle Knowledge；指标分别为 Message-Wise / Trajectory-Wise / Overall、Insight / Summary / Overall、EX / VES（Benchmarks）。
• 对照包括无本体 ReAct、静态语义层 Baseline + SL，以及 DDR-Bench 上四个骨干平均的 ReAct + Memory（Table 1–3）。Figure 3 把本体拆成 Initial 与 Evolved。
• 划分为每基准两折：构建折 70% 用于构造与候选生成，30% 做配对验证，再交换并取平均；held-out 的答案和评审反馈不进入构建或选择（Reciprocal Two-Fold Evaluation）。
• 论文未报告交互预算的具体步数、边际 τ 的取值、演化轮数、本体规模、工具调用延迟或 token 开销，也未报告评审与人工的一致性；评分按各基准官方协议。Table 2 的四个骨干论文未逐一点名。

EvoOntology 为数据智能体增加一层可在运行时查询、并随执行轨迹更新的本体，用来缩小 agent–data gap。

• 问题：异构数据在智能体之外，智能体只能经通用工具看到列名和路径。直接探查难扩展到宽数据源；整份语义层塞进提示词又受上下文限制，且静态层难随任务和智能体行为改变。
• 方法：本体状态分为内容图、对象模式和 MCP 工具。构建智能体从训练负载提出概念，探测数据后只提交通过类型与取值检查的条目，且不看 gold answers。演化智能体把失败或成功轨迹归到内容、工具或模式之一，做单层补丁；仅当同一验证集、同一骨干上相对父版本的提升达到 τ 才接受。各骨干从同一初始状态独立演化。提示词里只放会话 manifest，细节用 browse 和 resolve 按需读取。
• 结果：DDR-Bench 10-K 上，六个骨干的 Trajectory-Wise 都高于无本体 ReAct，平均 +17.8 个百分点；GPT-5.5 从 64.2 到 90.9（+26.7），Qwen3.5-Flash 从 14.3 到 19.1（+4.8）。静态注入在 Claude-Sonnet-5 上降 15.0 个百分点。四骨干平均上，记忆基线到 75.8，EvoOntology 到 89.5。InsightBench 的 Overall 平均只高 1.9 个百分点，最大 +6.1（DeepSeek-V4-Flash）。BIRD Oracle Knowledge 上 EX、VES 平均高 7.4 和 8.6 个百分点。作者称四骨干均值上，初始本体贡献 DDR-Bench 上 12.3 个百分点，演化再贡献 7.7。
• 作者的结论：作者认为经工具按需访问并按轨迹做有证据的单层更新，能比静态语义层和情节记忆更稳定地连接异构数据；同一份内容若只作为提示片段，可能与其他指令竞争并降低部分骨干的分数。