From SQL Generation to Tool Selection: A Domain-Oriented Pattern for MCP Servers
यह शोध पत्र डोमेन-ओरिएंटेड टूलिंग पैटर्न और इसके ओपन-सोर्स कार्यान्वयन, MCP ब्लूप्रिंट को प्रस्तुत करता है, जो एंटरप्राइज डेटा एक्सेस परिदृश्यों में छोटे LLMs के लिए सटीकता में उल्लेखनीय सुधार करने और लागत कम करने के लिए जेनेरिक SQL जनरेशन को डोमेन-विशिष्ट टूल चयन से बदल देता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ कंप्यूटर मानव भाषा को पढ़ और समझ सकते हैं, जिससे लोग सूचनाओं के विशाल पुस्तकालयों से जटिल प्रश्न पूछ सकते हैं बिना उन गुप्त कोडों को सीखे जिनका उपयोग जानकारी को संग्रहीत करने के लिए किया जाता है। यह आधुनिक आर्टिफिशियल इंटेलिजेंस का वादा है, विशेष रूप से बड़े भाषा मॉडल (large language models) पर आधारित सिस्टम। ये मॉडल बुद्धिमान सहायकों के रूप में कार्य करते हैं, जो बातचीत करने और समस्याओं पर तर्क करने में सक्षम होते हैं। इन्हें व्यवसायों के लिए वास्तव में उपयोगी बनाने के लिए, डेवलपर्स उन्हें डेटाबेस से जोड़ते हैं—डिजिटल गोदाम जिनमें ग्राहक रिकॉर्ड से लेकर इन्वेंट्री सूचियों तक सब कुछ होता है। मॉडल कॉन्टेक्स्ट प्रोटोकॉल (Model Context Protocol) नामक एक नया मानक उभरा है जो इन एआई सहायकों को बाहरी उपकरणों को खोजने और उपयोग करने में मदद करता है, ठीक वैसे ही जैसे एक यूनिवर्सल रिमोट कंट्रोल जो एक डिवाइस को विभिन्न ब्रांडों के उपकरणों से बात करने देता है। हालाँकि, मुख्य चुनौती यह है कि मानव-समान एआई और कठोर, संरचित डेटाबेस के बीच के संबंध को कैसे डिजाइन किया जाए। यदि कनेक्शन बहुत ढीला है, तो एआई भ्रमित हो सकता है या खतरनाक गलतियाँ कर सकता है; यदि यह बहुत कठोर है, तो यह उन अद्वितीय प्रश्नों का उत्तर नहीं दे पाएगा जो लोग वास्तव में पूछते हैं।
शोधकर्ताओं ने व्यावसायिक डेटा के लिए इन कनेक्शनों को बनाने के सर्वोत्तम तरीकों का परीक्षण करके हाल ही में इस सटीक समस्या का पता लगाया। उन्होंने दो बहुत अलग दृष्टिकोणों की तुलना की। पहला, और सबसे सामान्य तरीका, एआई को एक एकल, शक्तिशाली उपकरण देना है जो इसे शून्य से अपने स्वयं के कंप्यूटर क्वेरी लिखने की अनुमति देता है। यह एक अतिथि को एक खाली कागज और पेन देने और उनसे बैंक को पत्र लिखने की अपेक्षा करने जैसा है, यह उम्मीद करते हुए कि वे बैंक के विशिष्ट फॉर्म, सही व्याकरण और ब्याज की गणना करने के सटीक नियमों को जानते होंगे। दूसरा दृष्टिकोण, जिसे शोधकर्ता "डोमेन-ओरिएंटेड टूलिंग पैटर्न" (Domain-Oriented Tooling Pattern) कहते हैं, एआई को पहले से लिखे गए, विशिष्ट बटन दबाने के लिए छोटे सेट देना है। पत्र लिखने के बजाय, अतिथि बस "खाता शेष देखें" या "हाल के लेनदेन देखें" लेबल वाला बटन चुनता है। जटिल नियम और गणनाएँ पहले से ही बटन के भीतर सुरक्षित रूप से छिपी हुई हैं।
यह देखने के लिए कि कौन सा तरीका बेहतर काम करता है, टीम ने एक मूवी रेंटल डेटाबेस का उपयोग करके एक परीक्षण मैदान बनाया, जो फिल्मों, ग्राहकों और रेंटल के बारे में हजारों रिकॉर्ड वाला एक वास्तविक वातावरण है। उन्होंने एआई के डेटा के साथ बातचीत करने के तीन अलग-अलग तरीकों को स्थापित किया। पहले सेटअप ने एआई को अपने स्वयं के क्वेरी शून्य से लिखने की अनुमति दी, जो डेटाबेस की संरचना पर अपने ज्ञान पर निर्भर था। दूसरे सेटअप ने एआई को विशेष उपकरणों का एक सेट दिया, जिनमें से प्रत्येक को एक विशिष्ट व्यावसायिक कार्य के लिए डिज़ाइन किया गया था, जैसे कि यह जांचना कि क्या किसी ग्राहक का मूवी रेंटल बकाया है या यह पता लगाना कि वर्तमान में कौन सी फिल्म स्टॉक में है। तीसरे सेटअप ने एक मध्य मार्ग पेश किया: उपकरणों का एक सेट जो बहुत सरल था, जो एआई को जानकारी को जोड़ने का अधिकांश भारी काम करने के लिए मजबूर करता था। फिर उन्होंने इन सेटअपों का परीक्षण चार अलग-अलग एआई मॉडल का उपयोग करके किया, जो बहुत छोटे और तेज़ से लेकर बड़े और अधिक शक्तिशाली मॉडलों तक विस्तृत थे, और उनसे सत्रह अलग-अलग वास्तविक दुनिया के व्यावसायिक प्रश्न हल करने को कहा।
परिणाम स्पष्ट और आश्चर्यजनक थे। वह दृष्टिकोण जिसने एआई को विशेष, पूर्व-निर्मित उपकरण दिए, उसने उस दृष्टिकोण से काफी बेहतर प्रदर्शन किया जो उसे अपने स्वयं के क्वेरी लिखने की अनुमति देता था। विशेष उपकरणों का उपयोग करते समय, एआई लगभग चौरानवे प्रतिशत बार सही उत्तर देता था। इसके विपरीत, जब उसे अपने स्वयं के क्वेरी लिखने के लिए मजबूर किया गया, तो सफलता दर गिरकर लगभग सड़सठ प्रतिशत हो गई। इससे भी अधिक उल्लेखनीय बात सबसे सरल एआई मॉडलों का प्रदर्शन था। सबसे छोटा मॉडल, जो अपने स्वयं के क्वेरी लिखते समय सही उत्तर देने में संघर्ष करता था, विशेष उपकरणों का उपयोग करने पर निन्यानवे प्रतिशत से अधिक की सफलता दर प्राप्त करने में सफल रहा। यह निष्कर्ष बताता है कि एआई के काम को सरल बनाकर—एक जटिल लेखन कार्य को एक सरल चयन कार्य में बदलकर—डेवलपर्स अधिक विश्वसनीय परिणाम प्राप्त करने के लिए बहुत छोटे, सस्ते और तेज़ कंप्यूटरों का उपयोग कर सकते हैं। यह एक कुशल इंजन के समान है जो एक कार को उतनी ही अच्छी तरह से चला सकता है जितना कि एक विशाल इंजन, बशर्ते कार एक ऐसे स्टीयरिंग व्हील के साथ बनाई गई हो जिसे मोड़ना आसान हो, बजाय उसके जिसमें ड्राइवर को अपने सामने की सड़क खुद बनानी पड़े।
अध्ययन ने यह भी खुलासा किया कि केवल एआई को उपकरण देना पर्याप्त नहीं है; उन उपकरणों का डिज़ाइन अत्यंत महत्वपूर्ण है। खराब डिज़ाइन किया गया उपकरणों का एक सेट, जो स्पष्ट निर्देशों के बिना केवल डेटा तालिकाओं तक बुनियादी पहुंच प्रदान करता था, वास्तव में उस पद्धति से भी खराब प्रदर्शन करता था जिसमें एआई को अपने स्वयं के क्वेरी लिखने की अनुमति दी गई थी। ऐसा इसलिए हुआ क्योंकि खराब डिज़ाइन किए गए उपकरणों ने एआई की अपनी गलतियों को सुधारने की स्वतंत्रता को हटा दिया, बिना उसे सफल होने के लिए सही जानकारी दिए। सफल उपकरण सावधानीपूर्वक तैयार किए गए थे ताकि जटिल व्यावसायिक नियमों को सिस्टम के अंदर छिपाया जा सके। उदाहरण के लिए, यह निर्धारित करना कि क्या कोई रेंटल "बकाया" है, इसमें तारीखों की जाँच करना और समय के अंतर की गणना करना शामिल है, एक ऐसा नियम जिसे एआई अक्सर अपना कोड लिखते समय गलत कर देता था। विशेष उपकरणों के साथ, यह नियम पहले से ही मनुष्यों द्वारा लिखा और परीक्षण किया गया था, इसलिए एआई को केवल परिणाम रिपोर्ट करना था। इस बदलाव का अर्थ है कि सिस्टम चलाने के लिए आवश्यक बुद्धिमत्ता एआई मॉडल से हटकर उन मानव इंजीनियरों की ओर चली जाती है जो उपकरणों को डिज़ाइन करते हैं।
शोधकर्ताओं ने न केवल सटीकता को मापा, बल्कि प्रक्रिया की लागत और गति को भी मापा। क्योंकि विशेष उपकरणों को ए-आई को कम सोचने की आवश्यकता थी, इसलिए सिस्टम ने सही उत्तर प्राप्त करने के लिए बहुत कम कंप्यूटर संसाधनों का उपयोग किया। कुछ मामलों में, कच्चे क्वेरी पद्धति की तुलना में सही उत्तर प्राप्त करने की लागत दस गुना से अधिक कम हो गई। सिस्टम तेज़ भी था, जो लगभग एक मिनट के बजाय केवल कुछ सेकंड में प्रतिक्रिया देने में सक्षम था। यह दक्षता यह सुनिश्चित करती है कि व्यवसाय इन बुद्धिमान सहायकों को अपने स्वयं के स्थानीय कंप्यूटरों पर चला सकते हैं, बजाय महंगे क्लाउड सेवाओं के लिए भुगतान करने के, जिससे यह तकनीक अधिक सुलभ और सुरक्षित हो जाती है। अध्ययन निष्कर्ष निकालता है कि नियमित व्यावसायिक प्रश्नों के लिए, आगे बढ़ने का सबसे अच्छा रास्ता एआई को स्मार्ट बनाना नहीं है, बल्कि उस इंटरफ़ेस को सरल और अधिक संरचित बनाना है जिसका वह उपयोग करता है। डेटा एक्सेस को कच्चे डेटाबेस कमांड के बजाय स्पष्ट, मानव-अनुकूल कार्यों के इर्द-गिर्द व्यवस्थित करके, हम ऐसे सिस्टम बना सकते हैं जो अधिक सटीक, तेज़ और छोटे, अधिक किफायती हार्डवेयर पर चलने में सक्षम हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।