Declarative Data Services: Structured Agentic Discovery for Composing Data Systems
Dit artikel introduceert Declarative Data Services (DDS), een gestructureerde architectuur die de convergentiefouten van onbegrensde agentische ontdekking in heterogene datasystemen overwint door de zoekruimte te ontleden in begrenste, getypeerde lagen die worden geleid door declaratieve gebruikersintentie en iteratieve runtime-feedback.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het Grote Probleem: Het "Wilde Westen" van AI-programmeren
Stel je voor dat je een zeer slimme, goed gelezen architect (een AI-agent) vraagt om een huis te bouwen. Je zegt: "Ik wil een huis met 3 slaapkamers, een zonnepaneeldak, een zwembad en een budget van $300.000."
In het verleden, als je een AI vroeg om code te schrijven voor één enkele app, deed het meestal een uitstekende baan. Maar als je het vraagt om een complex datasysteem te bouwen (zoals een handelsplatform dat duizenden aandelenhandeltransacties per seconde moet verwerken, jaren aan geschiedenis moet opslaan en snel moet blijven), gaat er iets mis.
Waarom? Omdat de AI als een genie is dat elk boek in de bibliotheek heeft gelezen, maar nooit echt een huis heeft gebouwd. Het weet wat een "Kafka"-wachtrij of een "ClickHouse"-database is, maar het weet niet hoe ze in de echte wereld bij elkaar passen. Het kan de verkeerde materialen kiezen, de leidingen vergeten aan te sluiten, of een ontwerp kiezen dat onder druk instort.
Als je de AI gewoon zegt: "Maak het goed," en het laat het keer op keer gissen (een proces dat "onbeperkte ontdekking" heet), draait het vaak in kringen. Het probeert de loodgieterswerkzaamheden te repareren door het dak te veranderen, of het herbouwt het hele huis steeds opnieuw vanaf nul elke keer dat het een kleine fout maakt. Het komt nooit tot een werkende oplossing.
De Oplossing: DDS (De "Gestructureerde Architect")
De auteurs stellen een nieuw systeem voor dat Declarative Data Services (DDS) heet. In plaats van de AI doelloos te laten ronddwalen, fungeert DDS als een strenge, georganiseerde bouwmanager die de AI dwingt om een specifiek, vierstapsontwerp te volgen.
Zie DDS als een gebouw met vier verdiepingen waar elke verdieping een specifieke taak en een specifieke set regels heeft. De AI (de "sub-agent") doet het werk, maar het Kader (de "manager") houdt de blauwdrukken vast en controleert het werk bij elke stap.
De Vier Verdiepingen van het DDS-gebouw
Verdieping 1: Het "Wat" (Intentie)
- De Taak: Voordat je bouwt, moet je precies definiëren wat je wilt.
- De Analogie: In plaats van te zeggen "Ik wil een cool huis", zegt de gebruiker: "Ik heb 3 slaapkamers, 2 badkamers, zonnepanelen en een budget van $300k nodig."
- De Magie: Het systeem dwingt de AI om je vage wens te vertalen naar een strikte, getypeerde checklist (Data-model, Snelheid, Kosten, enz.). Als het verzoek onmogelijk is (bijv. "Ik wil een herenhuis voor $500"), stopt het systeem je voordat er ook maar één regel code is geschreven.
Verdieping 2: Het "Hoe" (De Blauwdruk)
- De Taak: Ontwerp de dataflow zonder nog specifieke merken te kiezen.
- De Analogie: De architect tekent een diagram: "Water komt binnen, gaat naar het filter, dan naar de tank, dan naar de douche." Ze zeggen nog niet "We gebruiken een Whirlpool-filter". Ze beslissen alleen de vorm van het systeem.
- De Magie: Dit scheidt het ontwerp van de producten. Als het ontwerp verkeerd is, repareer je de tekening, niet het specifieke type pijp. Dit voorkomt dat de AI het hele huis herbouwt alleen omdat er één pijp lekt.
Verdieping 3: Het "Welke" (De Vaardigheden)
- De Taak: Kies de daadwerkelijke producten en configuraties.
- De Analogie: Nu kiest de architect de specifieke items: "We gebruiken een Whirlpool-filter en PVC-buizen." Maar hier is het geheim: het systeem gebruikt een "Vaardighedenboek" (een persistente geheugenopslag).
- De Magie: Dit Vaardighedenboek is als een levend handboek. Als een vorig huis een probleem had omdat het Whirlpool-filter een specifieke adapter nodig had, staat dat feit in het Vaardighedenboek geschreven. De volgende keer dat de AI een huis bouwt, leest het het Vaardighedenboek en weet het precies welke adapter moet worden gebruikt. Het hoeft deze fout niet te "gissen" of opnieuw te "leren".
Verdieping 4: Het "Controleren" (Runtime-toeschrijving)
- De Taak: Bouw het, zet het aan en kijk wat er kapot gaat.
- De Analogie: Je zet het water aan. Als de douche lekt, zegt het systeem niet zomaar "Het huis is kapot". Het zegt: "De lekkage zit in de PVC-buisverbinding (Verdieping 3)."
- De Magie: Dit is het belangrijkste deel. Wanneer het systeem faalt, traceert het de fout terug naar de exacte verdieping waar de beslissing is genomen.
- Als het budget te laag is, gaat het terug naar Verdieping 1.
- Als het ontwerp onmogelijk is, gaat het terug naar Verdieping 2.
- Als de specifieke productkeuze slecht was, update het het Vaardighedenboek op Verdieping 3.
- Het laat de AI niet het hele huis opnieuw raden. Het maakt een kleine, gerichte reparatie.
Waarom Dit Werkt (Het "Aha!"-moment)
Het paper testte dit tegen "onbeperkte" AI-agenten (degenen die gewoon gissen en opnieuw proberen).
- De Onbeperkte Agent: Als een student die probeert een wiskundeprobleem op te lossen door willekeurige getallen op te schrijven totdat ze het goed hebben. Het kost veel tijd, veel geld (rekenkracht) en geeft vaak op.
- De DDS-Agent: Als een student die een handboek en een rekenmachine gebruikt. Als ze een stap verkeerd doen, vertelt het handboek hen precies welke regel ze hebben overtreden. Ze repareren die ene regel en gaan verder.
De Resultaten:
In een test waarbij een handelsbackend werd gebouwd:
- Onbeperkte Agenten: Slaagden er 8 van de 10 keer niet in om een werkend systeem te bouwen, zelfs niet na vele pogingen. Ze bleven in lussen steken.
- DDS: Bouwde 10 van de 10 keer een werkend systeem. Het was sneller, goedkoper en het systeem draaide daadwerkelijk met echte data.
De "Vaardighedenboek"-Analogie
Het paper benadrukt dat kennis een thuis nodig heeft.
- Bij oude AI-methoden, als de AI leerde dat "Kafka poort 9092 nodig heeft", zou het dat morgen misschien vergeten. Het moet het elke keer opnieuw leren.
- Bij DDS wordt die kennis opgeslagen in een Vaardighedenbestand (zoals een YAML-bestand).
- Als de AI een fout maakt (bijv. "Ik ben vergeten poort 9092 te openen"), repareert het systeem het Vaardighedenbestand.
- Cruciaal: De volgende keer dat de AI een systeem bouwt, leest het het gerepareerde Vaardighedenbestand. De fout wordt nooit meer gemaakt. De "reparatie" is permanent, niet slechts een eenmalige patch.
Samenvatting
Het paper betoogt dat we, om complexe datasystemen met AI te bouwen, de AI niet zomaar kunnen laten "freestyled". We hebben een gestructureerd kader nodig dat:
- Het probleem opbreekt in duidelijke, getypeerde stappen (Intentie -> Ontwerp -> Product -> Code).
- De AI dwingt om zijn werk te controleren bij elke stap voordat het verder gaat.
- Fouten onthoudt in een permanent "Vaardighedenboek" zodat ze niet worden herhaald.
- Fouten exact lokaliseert zodat de AI niet hoeft te raden wat er gerepareerd moet worden.
Het zet het chaotische proces van "AI-gissen" om in een betrouwbare, industriële assemblagelijn voor het bouwen van software.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.