Automating Database-Native Function Code Synthesis with LLMs
تقدم الورقة البحثية نظام DBCooker، وهو نظام قائم على النماذج اللغوية الكبيرة (LLM) يعمل على أتمتة تخليق الدوال المعقدة الأصلية لقواعد البيانات من خلال بنية متخصصة ثلاثية المكونات تتضمن توصيف الدوال، وعمليات الترميز الهجينة، والتحقق متعدد المستويات، محققاً دقة أعلى بكثير من الطرق الحالية عبر أنظمة قواعد البيانات الرئيسية.
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
🍳 المشكلة: "الطاهي" الذي لا يستطيع قراءة كتاب الوصفات
تخيل مكتبة ضخمة وقديمة للوصفات (قاعدة بيانات) مثل PostgreSQL أو SQLite. تحتوي هذه المكتبة على آلاف الأطباق (الدوال/Functions) التي طُبخت بالفعل، مثل date_trunc (قص التاريخ إلى الساعة) أو sqrt (الجذر التربيعي).
الآن، تخيل أن شركة ما تريد إضافة طبق جديد إلى قائمة الطعام الخاصة بها، لنقل مثلاً "منسق تواريخ فائق الروعة".
في الماضي، كان على طاهٍ ماهر (مطور قواعد بيانات) القيام بما يلي:
- قراءة كتاب القواعد: معرفة الطريقة الدقيقة التي تريد بها المكتبة تسجيل الأطباء الجديدة.
- إيجاد المخزن المناسب: تحديد الملف المحدد الذي ينتمي إليه هذا الطبق.
- استخدام المكونات الموجودة: بدلاً من تقطيع كل الخضروات من الصفر، كان عليهم البحث عن بصل مقطع مسبقاً أو توابل (كتل برمجية موجودة) في المكتبة وخلطها معاً.
- اتباع قواعد سلامة صارمة: إذا استخدموا السكين الخطأ أو نسوا خطوة سلامة، فقد تشتعل النيران في المطبخ بأكمله (انهيار قاعدة البيانات).
المشكلة: هذا أمر صعب للغاية. يستغرق ساعات، وخطأ واحد صغير قد يعطل النظام بأكمله.
مشكلة "الطاهي الآلي" (AI Chef): مؤخراً، حصلنا على طهاة آليين (نماذج لغوية كبيرة مثل Claude أو GPT) بارعين في كتابة الكود البرمجي العام. لكن عندما تطلب منهم الطبخ في مطبخ قاعدة بيانات محددة كهذه، فإنهم يفشلون.
- يهلوسون: يخترعون مكونات غير موجودة.
بينما يضيعون: يقضون كل وقتهم في البحث عن المخزن بدلاً من الطبخ. - يتجاهلون القواعد: ينسون أنه في هذا المطبخ تحديداً، يجب عليك تسجيل الطبق في سجل معين قبل أن تتمكن من طبخه.
🤖 الحل: تقديم DBCooker
بنى المؤلفون نظاماً جديداً يسمى DBCooker. لا تنظر إلى DBCooker كونه مجرد ذكاء اصطناعي واحد، بل كـ مدير مطبخ فائق الذكاء يساعد الطاهي الآلي على الطبخ بشكل مثالي في كل مرة.
يمتلك DBCooker ثلاث "قوى خارقة" (وحدات) تحل المشكلات المذكورة أعلاه:
1. "كشاف قائمة الطعام والمخزون" (توصيف الدوال - Function Characterization)
قبل أن يبدأ الذكاء الاصطائي بالطبخ، يعمل DBCooker ككشاف.
- ماذا يفعل: هو لا يكتفي بسؤال الذكاء الاصطناعي "ما هي دالة التاريخ؟"، بل يدخل إلى أرشيف المكتبة، ويقرأ كتب القواعد الرسمية، ويمسح الكود ضوئياً.
- التشبيه: تخيل أن الذكاء الاصطناعي سائح يسأل: "كيف أصنع شطيرة؟"، DBCooker هو المرشد المحلي الذي يقول: "في الواقع، في هذا المطبخ، أنت لا تصنع مجرد شطيرة. عليك تسجيلها كـ 'وحدة شطيرة أ'، واستخدام 'كتلة خبز 3' من الرف الخلفي، وخلطها مع 'مايونيز ماكرو 5'".
- النتيجة: يعرف الذكاء الاصطناعي بالضبط ما الذي يجب بناؤه وأين يجد الأجزاء الجاهزة.
2. مساعد "ملء الفراغات" (التوليد التدريجي - Progressive Synthesis)
بدلاً من طلب كتابة رواية من 50 صفحة من الصفر من الذكاء الاصطناعي، يعطيه DBCooker نموذجاً جاهزاً.
- ماذا يفعل: ينشئ "هيكلاً" للكود. يقول له: "هذا هو الهيكل. عليك فقط ملء المنطق الخاص بحالة 'الثلاثاء'. أوه، وإليك كود 'مايونيز ماكرو 5' الدقيق الذي يجب عليك نسخه ولصقه".
- التشبيه: يشبه إعطاء ورقة عمل "املأ الفراغات" لطالب بدلاً من ورقة مقال فارغة. الطالب (الذكاء الاصطناعي) يحتاج فقط للتركيز على الأجزاء الصعبة، بينما يتم التعامل مع الأجزاء المملة والمتكررة مسبقاً.
- شبكة الأمان: إذا تعثر الذكاء الاصطناعي أو حاول استخدام مكون وهمي، يمتلك DBCooker "مفتاحاً احتمالياً". يقول: "حسناً، هذا لم ينجح. دعنا نتوقف عن محاولة ملء الفراغات ونكتب الكود من الصفر"، مما يضمن عدم العلوق في حلقة مفرغة من الفشل.
3. "مفتش الصحة" (التحقق ثلاثي المراحل - Three-Stage Validation)
قبل أن يذهب الطبق إلى الزبون، يجب أن يجتاز ثلاثة مستويات من التفتيش.
- المستوى 1 (فحص القواعد): "هل كتبت كلمة 'ملح' بشكل صحيح؟" (فحص بناء الجملة - Syntax).
- المستوى 2 (قواعد المطبخ): "هل سجلت هذا الطبق في السجل؟ هل استخدمت المقلاة الصحيحة؟" (فحص الامتثال - Compliance).
- المستوى 3 (اختبار المذاق): "هل طعمه حقاً مثل الشطيرة؟ هل يعمل مع الخبز الساخن والبارد على حد سواء؟" (فحص الدلالة - Semantic).
- التشبيه: إذا ارتكب الذكاء الاصطناعي خطأً، فإن مفتش الصحة يكتشفه فوراً ويعيد الطبق إلى المطبخ مع ملاحظة: "أصلح هذا، ثم حاول مجدداً". يحدث هذا تلقائياً، مراراً وتكراراً، حتى يصبح الطبق مثالياً.
🚀 "المدير الذكي" (التنسيق التكيفي - Adaptive Orchestration)
أحياناً يكون الطبق بسيطاً (مثل غلي الماء)، وأحياناً يكون معقداً (مثل مأدبة من 10 أطباق).
- الذكاء الاصطناعي القديم: يحاول استخدام نفس العملية المكونة من 10 خطوات لغلي الماء، مما يضيع الوقت.
- DBCooker: يتذكر النجاحات السابقة. إذا رأى دالة "رياضيات"، يتذكر: "أوه، لقد قمنا بتغليف دالة مكتبة قياسية لذلك في المرة الماضية. لنفعل ذلك مجدداً بسرعة". وإذا رأى دالة "تاريخ معقدة"، يتذكر: "نحن بحاجة لفحص ثلاثة ملفات مختلفة وتسجيل خمس وحدات".
- التشبيه: يشبه نظام GPS يتعلم عادات قيادتك. إذا كنت ذاهباً إلى البقالة، يسلك الطريق السريع. وإذا كنت ذاهباً إلى موقع بناء، فهو يعرف أنه يجب سلك الطريق البطيء والحذر.
🏆 النتائج: لماذا هذا مهم؟
اختبر الباحثون DBCooker في ثلاث "مطابخ" رئيسية لقواعد البيانات (SQLite، PostgreSQL، DuckDB).
- الدرجة: كان DBCooker أكثر دقة بنسبة 34% من أفضل أدوات الذكاء الاصطناعي الموجودة (مثل Claude Code).
- السحر: نجح في إنشاء دوال جديدة تماماً لم تكن موجودة في أحدث إصدار من SQLite، مما يعني فعلياً "تعليم" قاعدة البيانات مهارات جديدة تلقائياً.
- الكفاءة: قلل من الكود المطلوب عبر إعادة استخدام الأجزاء الموجودة (مثل استخدام البصل المقطع مسبقاً) بنسبة تقارب 95% مقارنة بكتابة كل شيء من الصفر.
💡 الخلاصة الكبرى
يثبت DBCooker أنه لجعل الذكاء الاصطناعي مفيداً للمهام المعقدة والمتخصصة (مثل هندسة قواعد البيانات)، لا يمكنك مجرد إلقاء ذكاء اصطناعي عام على المشكلة. أنت بحاجة إلى نظام يفهم:
- القواعد المحددة للبيئة.
- تفكيك المهمة إلى خطوات قابلة للإدارة (ملء الفراغات).
- فحص العمل بدقة قبل إطلاقه.
إنه يحول الذكاء الاصطناعي من "سائح مرتبك" إلى "طاهٍ ماهر" يعرف المطبخ من الداخل والخارج.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.