AgentNLQ: A General-Purpose Agent for Natural Language to SQL
تقدم هذه الورقة البحثية AgentNLQ، وهو نظام متعدد الوكلاء للأغراض العامة يحقق دقة دلالية بنسبة 78.1% على معيار BIRD من خلال الاستفادة من منسق مُحسَّن للتصحيح الذاتي وطريقة مبتكرة لإثراء المخطط (schema enrichment) لتوليد استعلامات SQL عالية الجودة من اللغة الطبيعية.
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 من بيانات الأعمال. هذه المكتبة منظمة في آلاف الكتب (الجداول) التي تحتوي على ملايين الصفحات (الصفوف)، وهذه الكتب متصلة ببعضها البعض عبر خيوط دقيقة وغير مرئية (العلاقات). عادةً، وللعثور على حقيقة محددة في هذه المكتبة، تحتاج إلى أمين مكتبة يتحدث لغة تقنية صارمة تسمى SQL. إذا سألت سؤالاً عادياً مثل: "كم عدد العملاء الذين اشتروا أحذية حمراء العام الماضي؟"، فقد لا يفهمك أمين المكتبة ما لم تترجم سؤالك إلى شفرتهم البرمجية الصارمة.
AgentNLQ هو فريق جديد من المساعدين الذكيين المصممين ليكونوا هم ذلك المترجم. فبدلاً من الاعتماد على نموذج ذكاء اصطناعي واحد يحاول تخمين الشفرة، صمم المؤلفون فريقاً متعدد الوكلاء يعمل معاً لتحويل أسئلتك باللغة العادية إلى كود SQL مثالي.
إليك كيف فعلوا ذلك، مشروحاً عبر تشبيهات بسيطة:
1. المشكلة: قضية "الضياع في الترجمة"
في الماضي، كانت نماذج الذكاء الاصطنا1 تحاول القيام بذلك بمفردها. كان الأمر يشبه طلب من شخص واحد أن يحفظ المكتبة بأكملها، ويتذكر قواعد المبنى، ويكتب الكود في آن واحد. غالباً ما كانوا يضيعون، أو ينسون القواعد، أو يكتبون كوداً لا يعمل. تشير الورقة البحثية إلى أنه حتى مع وجود نماذج ذكاء اصطناعي متقدمة، لم تكن هذه النماذج الفردية بدقة الخبير البشري.
2. الحل: فريق متخصص (الأوركسترا)
أنشأ المؤلفون AgentNLQ، والذي يعمل كفريق إنتاج منظم جيداً بدلاً من كونه عرضاً فردياً. يستخدمون ثلاثة أدوار:
- المخطط (المايسترو): هذا الوكيل لا يكتب الكود فوراً. بل يستمع لسؤالك، ويقسمه إلى خطوات، ويقرر أي أجزاء من المكتبة يجب النظر إليها. يستخدم وضع "التفكير السريع" للأسئلة البسيطة، ووضع "التفكير البطيء" للأسئلة المعقدة.
- الكاتب (الناسخ): هذا الوكيل هو خبير البرمجة. يأخذ تعليمات المخطط ويكتب كود SQL الفعلي.
- المُدقق (المحرر): هذا الوكيل يقوم بتشغيل الكود على قاعدة البيانات. إذا تعطل الكود أو أعطى إجابة خاطئة، فإنه يرسل ملاحظة إلى المخطط والكاتب لإصلاحه. ويستمرون في المحاولة حتى تصبح الإجابة صحيحة.
3. السر الخفي: "البيانات الوصفية المُثرية" (خريطة المكتبة)
أحد أكبر العوائق هو أن الذكاء الاصطناعي لا يعرف "معنى" البيانات. على سبيل المثال، قد يكون اسم عمود هو cust_id لكن الذكاء الاصطناعي لا يعرف ما إذا كان هذا يعني "معرف العميل" (Customer ID) أم "معرف الحارس" (Custodian ID).
حل المؤلفون هذه المشكلة عن طريق إنشاء خريطة فائقة القدرة لقاعدة البيانات قبل أن يبدأ الذكاء الاصطناعي عمله.
- التشبيه: تخيل إعطاء الذكاء الاصطناعي مكتبة حيث يحتوي كل كتاب فيها على ملخص مفصل، وقائمة باتصالاته بالكتب الأخرى، وملاحظة تشرح بالضبط معنى المصطلحات المستخدمة.
- كيف فعلوا ذلك: استخدموا الذكاء الاصطناعي لقراءة هيكل قاعدة البيانات تلقائياً وكتابة هذه الملخصات (أوصاف الجداول والأعمدة) ورسم مسارات الاتصالات (المفاتيح الخارجية). هذه "المخططات المُثرية" تساعد الذكاء الاصطناعي على فهم السياق دون الحاجة إلى تدخل بشري للكتابة.
4. حل مشكلة "الإبرة في كومة القش" (البحث الشعاعي/الناقل)
أحياناً تكون قاعدة البيانات ضخمة جداً لدرجة أن محاولة عرض الخريطة بأكملها للذكاء الاصطناست في وقت واحد ستكون مجهدة للغاية (مثل محاولة قراءة الموسوعة بأكملها للعثور على كلمة واحدة).
- الحل: يستخدمون أداة بحث ذكية (Vector Search). عندما تطرح سؤالاً، يجد النظام فوراً الصفحات المحددة ذات الصلة بسؤالك، متجاهلاً بقية الأجزاء. هذا يبقي الذكاء الاصطناعي مركزاً وسريعاً.
5. "ورقة الحقائق" (دفتر الملاحظات)
لمنع الذكاء الاصطناعي من الارتباك بعد محاولات عديدة، يستخدمون "ورقة حقائق" مهيكلة.
- التشبيه: تخيل محققاً يحل قضية ما. بدلاً من تذكر كل محادثة أجراها، يقوم بكتابة ملخص نظيف: "السؤال كان X. جربنا Y، وفشل بسبب Z. الآن سنحاول W".
- هذا يحافظ على ذاكرة الذكاء الاصطناعي نظيفة ومركزة على الهدف، مما يمنعه من الغرق في أخطائه السابقة.
6. النتائج: ما مدى جودته؟
اختبر الفريق هذا النظام على اختبار BIRD، وهو بمثابة امتحان صعب وضخم لأنظمة الذكاء الاصطناعي يتضمن بيانات أعمال حقيقية (تمويل، رياضة، رعاية صحية، إلخ).
- النتيجة: حقق AgentNLQ دقة بلغت 78.1%.
- المقارنة:
- الذكاء الاصطناعي الأساسي (العرض الفردي) حقق حوالي 60%.
- الخبير البشري (المعيار الذهبي) يحقق حوالي 93%.
- يقع AgentNLQ في المنتصف تماماً، مما يثبت أن فريقاً من وكلاء الذكاء الاصطناعي الذين يعملون معاً أفضل بك كثيراً من نموذج ذكاء اصطناعي واحد يحاول القيام بكل شيء بمفرده.
ملخص
AgentNLQ هو نظام يحول أسئلتك باللغة الطبيعية إلى كود برمجي لقواعد البيانات من خلال استخدام فريق من المتخصصين في الذكاء الاصطناعي. أحدهم يخطط، وآخر يكتب، وثالث يدقق. يساعدهم "خريطة ذكية" للبيانات ونظام يحافظ على تنظيم ذاكرتهم. يتيح لهم ذلك التعامل مع أسئلة الأعمال المعقدة بدقة أعلى بكثير من الطرق السابقة، مما يجعلهم يقتربون من أداء الخبير البشري.
ملاحظة: تؤكد الورقة البحثية أنه بالنسبة لقرارات الأعمال الحاسمة، يجب أن يراجع الإنسان النتائج، حيث يمكن للذكاء الاصطناعي أن يواجه صعوبات مع هياكل قواعد البيانات شديدة التعقيد أو الفريدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.