Auto Ontology MCP conecta bancos ao Claude e barra erros de SQL
Criado por gogoymh, o servidor em Python usa a camada semântica da NVIDIA para validar consultas e organizar notas no Obsidian.
Edição: Anderson Gomes
· 3 min de leitura

Quem tenta rodar consultas em banco de dados com assistentes de inteligência artificial costuma receber respostas erradas sem qualquer aviso de falha. Para resolver isso, o desenvolvedor gogoymh publicou em 6 de novembro de 2026 o auto-ontology-mcp, servidor em Python sob licença Apache-2.0 que valida comandos SQL e organiza bases de conhecimento. O projeto somou 420 estrelas em nove dias. O sistema serve para quem já usa clientes como Claude Code, Cursor ou ChatGPT e busca analisar dados estruturados sem hospedar modelos caros nem pagar chaves de API extras.
O cliente faz o texto e o servidor cuida dos dados
A arquitetura original do Auto Ontology criada pela NVIDIA exige uma pilha pesada com Next.js, FastAPI, Postgres e modelos próprios NVIDIA NIM. O projeto de gogoymh corta esses intermediários e transfere as etapas de leitura, extração, julgamento e escrita de SQL direto para o cliente MCP do usuário, como Claude Code, VS Code, Cursor, Codex, OpenClaw ou Hermes Agent. O servidor local cuida somente das tarefas determinísticas em arquivos locais SQLite, o que inclui extrair esquemas, traçar perfis, inferir chaves primárias e validar consultas de leitura. O modelo dispensa servidores externos.
O servidor foi desenhado para impedir que modelos de linguagem errem em silêncio ao rodar comandos SQL em esquemas brutos. Quando o cliente tenta cruzar tabelas sem chave comum ou soma preços após junções de um para muitos, as funções validate_sql e find_join_path barram a operação e alertam sobre a multiplicação indevida de linhas. Além disso, o comando check_answerable avisa quando o banco não contém dados para perguntas sobre retorno de anúncios e impede buscas zeradas por erros de maiúsculas, como 'pennsylvania' em vez de 'Pennsylvania'. Ele evita números inventados.
Além de consultar bancos de dados relacionais, a ferramenta administra uma base de conhecimento pessoal que expande a ideia de LLM Wiki criada por Andrej Karpathy. Em vez de compilar notas soltas em markdown, o sistema recebe recibos, extratos, artigos ou capturas de tela e estrutura os dados em tabelas tipadas, conceitos conectados e índices de busca textual. A função export_wiki descarrega esses registros para um cofre do Obsidian com links duplos [[links]], apelidos e visualização em grafo, preservando a citação exata de cada trecho. Os arquivos originais ficam intactos.
O teste inicial roda com dados sintéticos
Para adotar a ferramenta, o usuário instala o pacote auto-ontology-mcp em Python e cadastra o servidor no arquivo de configuração do seu cliente MCP predileto. O comando auto-ontology-mcp demo, validado pela suíte em tests/test_demo.py, monta um comércio fictício com 11 tabelas e 3.200 pedidos, além de notas de reunião, guia de etiquetas e resumo de qualidade no Obsidian. Na primeira checagem, o sistema escolhe billing_city_id por critério alfabético na falta de city_id, mas o comando set_relationship(..., is_default=true) permite alternar a rota padrão para delivery_city_id. O usuário ajusta tudo pelo terminal.
Apesar do avanço rápido e de já reunir 420 estrelas e 57 forks, o projeto soma apenas nove dias de vida desde a criação em 6 de novembro de 2026. O repositório registrou seu commit mais recente em 14 de novembro de 2026 e ainda marca zero issues abertas, sinal de um código muito recente que mal começou a receber testes da comunidade técnica. A licença Apache-2.0 autoriza o uso comercial e alterações livres no código, mas a ferramenta não atende quem precisa de telas gráficas prontas ou pretende enviar comandos de escrita e alteração nas tabelas. O projeto ainda exige cautela.
- Python
- Apache-2.0
- Modelos e LLMs
- GitHub
Cisco integra modelos da OpenAI à telemetria de rede para acelerar resposta a ataques
Parceria usa GPT-6 Astra e o projeto Daybreak para correlacionar ameaças em contêineres e isolar falhas sem derrubar sistemas.
· 3 min de leitura


DeepMind lança Gemini Robotics 2.5 com 96% de acerto na Mercedes
· 3 min de leitura
Gondola dobra receita e eleva entrega técnica com Codex da OpenAI
Estudo de caso publicado pela OpenAI mostra equipe não técnica criando protótipos funcionais com modelos GPT-5.4, GPT-5.5 e GPT-6.1.
· 3 min de leitura