Declarative Data Services: Structured Agentic Discovery for Composing Data Systems
本文介绍了声明式数据服务（DDS），这是一种结构化架构，通过将搜索空间分解为由声明式用户意图和迭代运行时反馈引导的有界、类型化层级，从而克服异构数据系统中无界代理发现所导致的收敛失败问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
以下是论文《声明式数据服务：用于构建数据系统的结构化智能体发现》的通俗解释，辅以生动的类比。
核心难题：AI 编程的“狂野西部”
想象一下，你请一位博学多才、极其聪明的建筑师（AI 智能体）来盖房子。你说：“我想要一栋带太阳能屋顶、游泳池的三居室房子，预算 30 万美元。”
过去，如果你让 AI 写一个单一应用的代码，它通常表现不错。但当你让它构建一个复杂的数据系统（例如一个需要每秒处理数千笔股票交易、存储多年历史数据且保持高速运行的交易平台）时，事情就会出错。
为什么？因为 AI 就像一个读遍了图书馆所有书籍的天才，却从未真正盖过房子。它知道"Kafka"队列或"ClickHouse"数据库是什么，却不知道它们在现实世界中如何协同工作。它可能会选错材料、忘记连接管道，或者选择一个在压力下就会坍塌的设计。
如果你只是告诉 AI“修好它”，并让它一遍又一遍地猜测（这种过程称为“无边界探索”），它往往会原地打转。它试图通过改变屋顶来修复管道问题，或者每次犯小错时就从头重建整栋房子。它永远无法收敛到一个可行的解决方案。
解决方案：DDS（“结构化建筑师”）
作者提出了一种名为**声明式数据服务（DDS）**的新系统。DDS 不像以前那样让 AI 漫无目的地游荡，而是像一位严格、有条理的施工经理，强制 AI 遵循一个特定的四步蓝图。
你可以把 DDS 想象成一栋四层大楼，每一层都有特定的任务和规则集。AI（“子智能体”）负责干活，但框架（“经理”）持有蓝图并在每一步检查成果。
DDS 大楼的四层结构
第一层：“做什么”（意图）
- 任务： 在动工前，必须明确定义你想要什么。
- 类比： 用户不再说“我想要一栋酷房子”，而是说“我需要 3 个卧室、2 个浴室、太阳能板，预算 30 万美元”。
- 魔力： 系统强制 AI 将模糊的愿望转化为严格的、带类型的检查清单（数据模型、速度、成本等）。如果请求不可能实现（例如“我要用 500 美元建一座豪宅”），系统会在任何代码编写之前就阻止你。
第二层：“怎么做”（蓝图）
- 任务： 设计数据流，但暂不选择具体品牌。
- 类比： 建筑师画出流程图：“水进来，经过过滤器，进入水箱，然后到淋浴头。”他们此时不会说“我们将使用惠而浦过滤器”。他们只决定系统的形状。
- 魔力： 这将设计与产品分离开来。如果设计有误，你只需修改图纸，而无需更换具体的管道品牌。这防止了 AI 仅仅因为一根管道泄漏就推翻整个房子。
第三层：“选哪个”（技能）
- 任务： 挑选实际的产品和配置。
- 类比： 现在建筑师挑选具体物品：“我们将使用惠而浦过滤器和PVC管道。”但这里的秘诀是：系统使用一本**“技能书”**（持久化记忆）。
- 魔力： 这本技能书就像一本活手册。如果之前的房子因为惠而浦过滤器需要特定适配器而出了问题，这个事实就会被记录在技能书中。下次 AI 盖房子时，它会阅读技能书，确切知道该用哪个适配器。它无需再次“猜测”或“重新学习”这个错误。
第四层：“检查”（运行时归因）
- 任务： 构建它，启动它，看看哪里坏了。
- 类比： 你打开水龙头。如果淋浴头漏水，系统不会只说“房子坏了”。它会说：“漏水点在PVC 管道连接处（第三层）。”
- 魔力： 这是最关键的部分。当系统失败时，它会将错误追溯回做出该决策的确切楼层。
- 如果预算太低，它会回到第一层。
- 如果设计不可行，它会回到第二层。
- 如果具体产品选择有误，它会更新第三层上的技能书。
- 它不会让 AI 重新猜测整栋房子。它只进行微小的、针对性的修复。
为何有效（“顿悟”时刻）
论文将这种方法与“无边界”AI 智能体（那些只是猜测并重试的智能体）进行了测试对比。
- 无边界智能体： 就像一个试图通过写下随机数字直到算出正确答案来解数学题的学生。这耗时很长，花费巨大（计算资源），而且经常放弃。
- DDS 智能体： 就像一个使用教科书和计算器的学生。如果某一步错了，教科书会确切告诉他们违反了哪条规则。他们修正那条规则，然后继续前进。
结果：
在构建交易后端的测试中：
- 无边界智能体： 即使经过多次尝试，10 次中有 8 次未能构建出可运行的系统。它们陷入了死循环。
- DDS： 10 次中有 10 次构建了可运行的系统。它更快、更便宜，且系统实际上能用真实数据运行。
“技能书”类比
论文强调，知识需要一个家。
- 在旧的 AI 方法中，如果 AI 学到了"Kafka 需要 9092 端口”，它明天可能会忘记。它必须每次都重新学习。
- 在 DDS 中，该知识被保存在一个技能文件（如 YAML 文件）中。
- 如果 AI 犯错（例如“我忘了打开 9092 端口”），系统会修正技能文件。
- 关键在于： 下次 AI 构建系统时，它会读取修正后的技能文件。错误永远不会再次发生。这个“修复”是永久性的，而不仅仅是一次性补丁。
总结
论文认为，要用 AI 构建复杂的数据系统，我们不能仅仅让 AI“自由发挥”。我们需要一个结构化框架，它能够：
- 将问题分解为清晰的、带类型的步骤（意图 -> 设计 -> 产品 -> 代码）。
- 强制 AI 在每一步移动前检查其工作。
- 在永久的“技能书”中记住错误，以免重犯。
- 精确定位错误，这样 AI 就不必猜测该修复什么。
它将"AI 猜测”的混乱过程，转变为构建软件的可靠、工业化流水线。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。