From SQL Generation to Tool Selection: A Domain-Oriented Pattern for MCP Servers
本文介绍了领域导向型工具模式（Domain-Oriented Tooling Pattern）及其开源实现 MCP Blueprint，该模式通过以领域特定工具选择取代通用的 SQL 生成，显著提高了小型 LLM 在企业级数据访问场景中的准确性并降低了成本。
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
想象一个计算机能够阅读并理解人类语言的世界，这使得人们无需学习存储信息的秘密代码，就能就庞大的数据库提出复杂的疑问。这就是现代人工智能，特别是基于大语言模型构建的系统的愿景。这些模型充当智能助手，能够进行对话并推理解决问题。为了让它们真正对商业用途，开发者将它们连接到数据库——即包含从客户记录到库存清单等一切内容的数字仓库。一种被称为“模型上下文协议”（Model Context Protocol）的新标准应运而生，旨在帮助这些人工智能助手寻找并使用外部工具，就像一个万能遥控器，可以让一个设备与不同品牌的家电进行对话。然而，核心挑战在于如何设计人工智能与僵化、结构化数据库之间的连接。如果连接过于松散，人工智能可能会产生困惑或犯下危险错误；如果过于僵化，它则无法回答人们实际提出的独特问题。
研究人员最近通过测试如何最好地为商业数据构建这些连接，探索了这一确切问题。他们比较了两种截然不同的方法。第一种，也是最常见的方法，是给人工智能一个强大的单一工具，让它能够从头开始编写自己的计算机查询语句。这就像是给一位客人一张白纸和一支笔，并要求他们给银行写一封信，同时期望他们了解银行特定的表格、正确的语法以及计算利息的确切规则。第二种方法，研究人员称之为“面向领域的工具模式”（Domain-Oriented Tooling Pattern），是给人工智能一小组预先写好的、特定的按钮供其按下。与其写信，这位客人只需选择一个标有“检查账户余额”或“查看近期交易”的按钮即可。复杂的规则和计算已经内置在按钮中，安全地隐藏在系统内部。
为了观察哪种方法效果更好，该团队利用一个电影租赁数据库样本构建了一个测试场，这是一个包含有关电影、客户和租赁记录的数千条记录的真实环境。他们设置了三种人工智能与数据交互的方式。第一种设置允许人工智能从头开始编写自己的查询语句，依赖于它自身对数据库结构的了解。第二种设置给了人工智能一组专门的工具，每种工具都旨在处理特定的业务任务，例如检查客户是否有逾期未还的电影，或查找当前有库存的影片。第三种设置提供了一个折中方案：一组过于简单的工具，迫使人工智能仍需承担大量整合信息的工作。随后，他们使用四种不同的 AI 模型测试了这些设置，这些模型涵盖了从非常小巧快速到规模庞大且功能强大的各种类型，并要求它们解决 17 个不同的现实业务问题。
结果清晰且令人惊讶。这种为人工智能提供专门、预建工具的方法，其表现显著优于让人工智能编写自身查询语句的方法。在使用专门工具时，人工智能的回答正确率接近 94%。相比之下，当被迫编写自己的查询语句时，成功率下降到了约 67%。更令人震惊的是最简单 AI 模型的表现。在测试中，即使是那个在编写自身查询时表现挣扎的小型模型，在使用专门工具时也达到了超过 92% 的成功率。这一发现表明，通过简化人工智能需要完成的任务——将复杂的写作任务转变为简单的选择任务——开发者可以使用更小、更便宜、更快速的计算机来获得可靠的结果。这好比一台高效的小型发动机可以像大型发动机一样驱动汽车，只要汽车配备的是转向容易的转向轮，而不是一个需要驾驶员在行驶中自行建造道路的转向轮。
研究还表明，仅仅给人工智能提供工具是不够的；工具的设计至 volta 重要。如果工具设计拙劣，仅提供对数据表的原始访问权限而缺乏清晰指令，其表现甚至比让人工智能编写自己的查询语句还要差。这是因为拙劣的工具剥夺了人工智能在没有获得正确信息的情况下自我纠错的自由。成功的工具经过精心设计，将复杂的业务规则隐藏在系统内部。例如，判断一次租赁是否“逾期”涉及检查日期和计算时间差，而人工智能在编写自己的代码时经常会在这一规则上出错。通过使用专门工具，这一规则已由人类编写并经过测试，因此人工智能只需报告结果即可。这种转变意味着，运行系统的智能性正从 AI 模型本身转移到设计这些工具的人类工程师身上。
研究人员不仅测量了准确性，还测量了过程的成本和速度。由于专门工具要求人工智能进行的思考较少，系统在获取正确答案时消耗的计算机资源也大幅减少。在某些情况下，使用专门工具相比于原始查询法，获取正确答案的成本降低了十倍以上。系统也变得更快了，仅需几秒钟即可响应，而非接近一分钟。这种效率意味着企业有可能在自己的本地计算机上运行这些智能助手，而不是支付昂贵的云服务费用，从而使这项技术更具可及性和安全性。研究结论指出，对于常规业务问题，未来的最佳路径不是让人工智能变得更聪明，而是让它使用的接口变得更简单、更结构化。通过围绕清晰、人类友好的任务而非原始数据库命令来组织数据访问，我们可以构建出更准确、更快速、且能在更小、更实惠的硬件上运行的系统。
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。