EvoOntology：データエージェントのための自己進化型オントロジー

導入

言語モデルに実データを操作させる際、難しいのはSQLを生成したりファイルツールを呼び出したりすることだけではありません。より根本的な課題は、データが何を意味するのかを理解させることです。表、ファイル、データベースはそれぞれ異なる構造を持ち、列名やディレクトリ、業務上の用語も統一されていないことがあります。エージェントが一般的なツールだけで探索すると、多くの手順をデータ発見に費やします。一方、手作業で作った意味層をプロンプトに埋め込む方法は、規模への対応やエージェントごとの適応に限界があります。

EvoOntologyは、このエージェントとデータの隔たりを、実行時に対話できるオントロジー層で埋めようとします。

主な仕組み

• MCPサーバーとして提供：オントロジーをMCPサーバーにまとめ、エージェントが実行中に必要な意味情報を問い合わせられるようにします。静的なプロンプト注入に限定されない点が特徴です。
• 3つの層で構成：スキーマ層はデータの組織を、コンテンツ層はデータに基づく意味を、ツール層はその情報との操作方法を扱います。これにより、単にフィールドを見つけるだけでなく、データの役割を理解しやすくします。
• 自動構築：構築エージェントがデータから用途に合わせたオントロジーを生成し、専門家がすべてを手作業で定義する負担を減らします。
• 評価付きの自己進化：対話履歴をもとに、帰属情報付きの型付き編集を行います。編集は即時に採用されず、変更前後のペア評価を通じて、利用するLLMバックボーンに条件づけて受け入れ可否を決めます。

意義と課題

論文では、3つのデータエージェントベンチマークと4種類のLLMバックボーンを用いて評価しています。概要によれば、EvoOntologyは強力なベースラインおよび既存の意味層手法を一貫して上回りました。これは、オントロジーが単なる静的なデータカタログやプロンプト補助ではなく、データ探索、意味の対応付け、ツール選択をつなぐ実行時インフラになり得ることを示します。

また、MCP形式は異なるエージェント環境から共通の意味サービスを利用する道を開きます。モデルに大量のデータ知識を記憶させる代わりに、必要な情報を照会・検証・更新できる外部層へ分離する設計です。

ただし、自己進化には信頼性の課題もあります。誤った関係をオントロジーに追加したり、特定モデルの解釈を強化したりする可能性があるためです。EvoOntologyは、無制限の自動書き換えではなく、変更の根拠と比較評価を伴う採用ループを設けています。公開コードによって、この設計がより多様な実データ環境でも有効かを検証しやすくなるでしょう。

出典：Hugging Face Daily Papers