模型越来越便宜，Agent 越来越会写代码，但这两件事解决不了「它不知道你的项目」和「它不知道你的营收怎么算」。这两天 GitHub 上热度靠前的两个新项目，干的都是补这块：Google 的 EGM，不到两个月 1.27 万星；NVIDIA 的 Auto Ontology，刚上日榜前排，8,300 星。
Google EGM：让大象写，让金鱼审
EGM 全名 Elephant-Goldfish Model，名字来自两种记忆：大象记得住，金鱼只有几秒。放到 Agent 身上，就是两种上下文。
流程不复杂：
/egm-brainstorm：Elephant 带着你的项目、需求、之前做过的决定，把想法聊成一份concepts_brief.md，写清目标、约束和取舍。/egm-draft：把 brief 展开成design_draft.md，每写完一节停下来等你反馈。/egm-review：开一批全新的子 Agent 当 Goldfish，只给它们设计文档和文档里引用的源码，不给之前的聊天记录，从五个阶段挑「没写出来的假设」。/egm-resolve：你决定哪几条要改，改完批准，再让 Agent 按稿写代码。
关键在第三步。写的人和审的人是同一个上下文，就会替自己的方案辩护；把记忆清空，盲点才露得出来。这也是为什么它必须能开 fresh subagent——宿主开不了，review 直接停。
它一共 7 个 skill，可以单用：egm-bootstrap 给老项目补文档，egm-drift-report 比对文档和代码漂移，不一定非要走全套。宿主支持 Claude Code、Codex CLI、Antigravity、ChatGPT/Codex 桌面端。Apache-2.0；README 说 Google 内部有几千工程师在用，但也写明「不是 Google 官方支持产品」。上个月谷歌开源的 Harness² 走的是另一条路——让 Agent 改自己的外挂；EGM 管的是写代码之前那段。
NVIDIA Auto Ontology：给 Agent 一本数据词典
Text-to-SQL 的老问题不是 SQL 写不出来，是写出来数不对。Agent 不知道「营收」按哪个口径、这张表能不能用、字段从哪来、算出来的数该信几分。自动补几张文凭没用，得有人把定义钉死。
Auto Ontology 干的就是这层：从企业元数据生成本体，把不同系统里互相打架的定义对齐，再用 MCP、CLI、API 暴露给任意 Agent。Agent 查数之前先过它的认证定义和 lineage，答案带 provenance——哪个指标、哪张表、哪条血缘，能往回追。
栈也给得实在：Next.js 前端、FastAPI 后端、一个 ingestion worker，Postgres + pgvector 存目录和向量，推理走 NVIDIA NIM（默认 nemotron-3.5-lightning-30b-a3b，加 embed 和 rerank），Docker Compose 或 Helm 都能起。Apache-2.0，但明确写了不收外部 PR。
它不替代 dbt 那套语义层，是叠在现有 semantic model 上的一层。之前写过的 Wren AI 走的是「开源语义层 + 问数」，Auto Ontology 更像「先给 Agent 立规矩，再让它查」。
实话
两个项目都在做同一件事：把上下文从聊天记录里拿出来，变成能检查、能留档的资产。EGM 把它变成设计文档，Auto Ontology 把它变成本体。
但都有前提。EGM 要你肯先写文档，还要宿主能开子 Agent；文档本身写得糊，金鱼也审不出东西。Auto Ontology 要有像样的元数据和一张 NIM key，数据目录一塌糊涂的公司，装上也只会多一层没人维护的表。
星数也别当质量。Auto Ontology 这 8,300 星里有不少是这两天日榜带来的曝光；EGM 不到两个月 1.27 万星，真要看的是三个月后还有没有人在提 PR。
对小团队，我的建议很土：EGM 的思路今天就能抄——写文档，换一个没看过聊天记录的 Agent 来审，不装插件也能干。Auto Ontology 先收藏，等真有数仓和口径扯皮的那天再说。
