An Agentic System for Schema Aware NL2SQL Generation
تقترح هذه الورقة نظاماً وكيلياً (agentic system) مدركاً للمخطط (schema-aware) ومنخفض التكلفة لتوليد لغة طبيعية إلى استعلامات SQL (NL2SQL)، يعتمد بشكل أساسي على نماذج لغوية صغيرة مع آلية تراجع انتقائية إلى نماذج لغوية كبيرة، مما يحقق خفضاً كبيراً في التكاليف وأداءً قوياً على مقياس BIRD مع معالجة قيود الخصوصية والموارد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك مكتبة ضخمة ومعقدة للغاية مليئة بملايين الكتب، لكن الكتب مكتوبة بلغة سرية تسمى "SQL". تريد طرح سؤال مثل: "أرني جميع الكتب التي كتبها مؤلفون يعيشون في باريس ونُشرت بعد عام 2020"، لكنك لا تتحدث هذه اللغة السرية.
في الماضي، كنت بحاجة إلى أمين مكتبة مدرب تدريبًا عاليًا يتحدث الإنجليزية واللغة السرية معًا للترجمة لطلبك. اليوم، لدينا أمناء مكتبة من الذكاء الاصطناعي فائقوا الذكاء (النماذج اللغوية الكبيرة، أو LLMs) يمكنهم القيام بذلك فورًا. ومع ذلك، فإن هؤلاء "الأبطال الخارقين" مكلفون للغاية، ويستهلكون الكثير من الكهرباء، وأحيانًا لا يمكنك حتى إدخالهم إلى مبناك بسبب قواعد الخصوصية الصارمة.
تقدم هذه الورقة البحثية طريقة ذكية وجديدة لحل هذه المشكلة باستخدام فريق من العمال بدلاً من مجرد نجم واحد خارق.
المشكلة: النجم الخارق المكلف
فكر في أنظمة الذكاء الاصطناعي الرائدة الحالية (مثل GPT-4) كأنها طهاة مشاهير. إنهم مذهلون؛ يمكنهم طهي أي شيء تقريبًا بشكل مثالي. لكنهم:
- مكلفون: توظيفهم يكلف ثروة مقابل كل وجبة.
- بطيئون: يستغرقون وقتًا في التفكير.
- مخاطر الخصوصية: عليك إرسال وصفات عائلتك السرية إلى مطبخهم، وهو أمر قد لا يكون آمنًا.
الحل: الفريق "الوكيل" (Agentic Team)
بنى المؤلفون نظامًا يعمل مثل مطبخ مطعم صغير وفعال ذي تسلسل هرمي محدد. بدلًا من وجود شيف مشهور واحد يقوم بكل شيء، يستخدمون فريقًا من العمال المتخصصين، مع وجود "خطة ب" للمهام الصعبة.
إليك كيف يعمل فريقهم، خطوة بخطوة:
1. أمين المكتبة (وكيل الاستخراج - The Extractor Agent)
قبل أن يبدأ أي شخص في الطهي، يحتاج شخص ما للعثور على المكونات الصحيحة. هذا الوكيل يشبه أمين مكتبة فائق السرعة. بدلًا من قراءة كل كتاب في المكتبة، يستخدم خريطة سحرية (البحث الشعاعي/Vector Search) للعثور فورًا على الأرفف والصفحات ذات الصلة بسؤالك. إنه يجمع "المخطط" (هيكل قاعدة البيانات) حتى يعرف الفريق الأدوات التي يمتلكونها.
2. المهندس المعماري (وكيل التفكيك - The Decomposer Agent)
تطرح سؤالًا معقدًا: "أوجد متوسط الرواتب للمديرين الذين عملوا هنا لمدة 5 سنوات".
يقوم المهندس المعماري بتفكيك هذا السؤال الكبير والمخيف إلى مخططات صغيرة وبسيطة. إنه يشبه رئيس عمال البناء الذي يأخذ مخطط بناء معقد ويقسمه إلى: "أولاً، ابحث عن المديرين. ثم، تحقق من تواريخ بدء عملهم. ثم، احسب المتوسط". هو لا يكتب الكود بعد، بل يضع الخطط والخطوات فقط.
3. الطاهي المبتدئ (وكيل التوليد - The Generator Agent - SLM)
هذا هو نجم العرض. يستخدم الفريق نموذج لغة صغيرًا (SLM). فكر في هذا كأنه طاهٍ مبتدئ موهوب ومحلي.
- لماذا نستخدمهم؟ إنهم رخيصون، وسريعون، ويمكن إبقاؤهم داخل مطبخك الخاص (داخل المنشأة)، بحيث لا تغادر وصفاتك السرية المبنى أبدًا.
- ماذا يفعلون؟ يحاولون طهي الطبق (كتابة استعلام SQL) بناءً على مخطط المهندس المعماري.
- السحر: في حوالي 67% من الحالات، ينجح هذا الطاهي المبتدئ في المهمة من المحاولة الأولى! إنهم جيدون بشكل مدهش في المهام القياسية.
4. المفتش (وكيل التحقق - The Validator Agent)
قبل أن يُقدم الطبق للزبون، يقوم مفتش بفحصه.
- هل القواعد النحوية صحيحة؟
- هل استخدم الشيف المكونات الصحيحة (أسماء الجداول)؟
- هل طعم الطبق جيد حقًا عند تذوقه (تنفيذ الاستعلام)؟
إذا كان الطبق مثاليًا، يتم تقديمه! وإذا كانت هناك مشكلة (مثل نقص في المكونات أو احتراق الصوص)، يعيده المفتش إلى المطبخ.
5. الشيف المشهور (النموذج اللغوي الكبير كحل احتياطي - The LLM Fallback)
هذا هو الجزء الذكي. إذا فشل الطاهي المبتدئ ولم يستطع المفتش إصلاح الأمر، يستدعي النظام الشيف المشهور (النموذج اللغوي الكبير المكلف).
- ينظر الشيف المشهور إلى الخطأ، والصلصة المحترقة، والطلب الأصلي.
- يقوم بإصلاح الأمر ويرسله مرة أخرى.
- الأهم من ذلك: يتم استدعاؤهم فقط للتعامل مع الـ 33% من المشكلات الأكثر صعوبة.
النتائج: لماذا هذا مهم؟
اختبر المؤلفون هذا النظام على تحدي ضخم يسمى BIRD (وهو تحدٍ لقواعد البيانات الضخمة). إليكم ما وجدوه:
- الدقة: حصل النظام على الإجابة الصحيحة حوالي 48% من الوقت. وبينما يحصل الشيف المشهور وحده على حوالي 60%، إلا أن هذا الفريق لا يزال منافسًا جدًا.
- التكلفة: هذا هو الفوز الكبير. نظرًا لأن الطاهي المبتدئ يقوم بمعظم العمل، فإن النظام أرخص بنسبة 90% من استخدام الشيف المشهور لكل شيء.
- تشبيه: الأمر يشبه دفع 0.01 دولار لطلب شطيرة بدلًا من 0.10 دولار.
- الخصوصية: بما أن الطاهي المبتدئ يعيش على جهاز الكمبيوتر الخاص بك، فإن بياناتك لا تغادر مبناك أبدًا. أنت ترسل فقط المشكلات الصغيرة والمعقدة إلى العالم الخارجي.
المقايضة (The Trade-Off)
يعترف المؤلفون بأنه ليس مثاليًا. إذا طرحت سؤالًا يتطلب منطقًا معقدًا متعدد الخطوات (مثل "استعلام فرعي متداخل" - nested subquery)، فقد يرتبك الطاهي المبتدئ. عندها، يضطر النظام لاستدعاء الشيف المشهور أكثر، مما يبطئ العملية قليلاً. إنه يشبه سباق التتابع حيث يكون العداء الأول سريعًا، ولكن إذا أسقط العصا، فعليه للعداء الثاني أن يركض بأقصى سرعة لتعويض الفارق.
باخت-صار
تقترح هذه الورقة البحثية فريقًا ذكيًا ومنخفض التكلفة لتحويل الأسئلة باللغة الإنجليزية إلى إجابات من قواعد البيانات. بدلًا من توظيف ذكاء اصطناعي واحد قوي ومكلف لكل مهمة، يستخدمون ذكاءً اصطناعيًا محليًا ورخيصًا للقيام بالعمل الشاق في ثلثي المرات، ولا يستدعون الذكاء الاصطناعي القوي والمكلف إلا عندما تصبح الأمور صعبة حقًا.
إنه الفرق بين توظيف نجم مشهور للقيام بتسوق البقالة الخاص بك، مقابل توظيف مساعد محلي للقيام بذلك، واستدعاء النجم فقط إذا لم يتمكن المساعد من العثود على نوع نادر من التوابل. أنت توفر المال، وتحافظ على أمان بياناتك، وتنجز المهمة في النهاية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.