STRUCTUREцифровые системыОбсудить проект
НОВОСТЬ · Engineering

SQL или SPARQL для памяти ИИ-агента: что показал эксперимент с PostgreSQL

Разработчик сравнил, как ИИ-агенты извлекают знания из таблиц PostgreSQL и графового представления тех же данных. В практическом тесте существенными оказались не только точность ответов, но и удобство схемы, частота ошибок запросов, стоимость обращений к модели и защита инструментов.

Главное

Для эксперимента автор публикации на Хабре сформировал два представления одного набора знаний: обычные таблицы PostgreSQL и граф, который можно запрашивать через SPARQL. Графовое описание было построено с применением отображения R2RML, поэтому сравнивались способы обращения к связанным данным, а не две полностью разные предметные области. Это важное условие: выигрыш одного языка нельзя объяснять исключительно более богатым исходным содержимым.

Память подключалась к агенту через отдельный MCP-сервер. Инструмент sql_query выполнял обращения к таблицам, sparql_query — к графовому слою, а submit_answer фиксировал ответ с указанием подтверждающих строк. Для запросов использовались роли PostgreSQL с правами только на чтение и ограничениями времени выполнения. Подобная схема делает эксперименты воспроизводимее и уменьшает последствия ошибочно составленного моделью запроса.

Подробности

В базовой проверке автор использовал 15 вопросов и три модели с открытыми весами. Сравнивались условия, когда агенту доступен только SQL, только SPARQL или оба инструмента одновременно. При совместном доступе модели чаще начинали именно с SQL, даже когда порядок подсказок меняли. Такой результат характеризует поведение выбранных моделей на конкретном наборе вопросов, а не превосходство языка на всех возможных графах знаний.

Отдельная сложность проявилась в обработке запросов, которые база данных отвергала. Автор указывает, что в его опытах SPARQL чаще приводил к ошибкам выполнения, однако агент обычно исправлял формулировку после сообщения об ошибке и продолжал поиск. Это повышало итоговую устойчивость, но требовало дополнительных обращений к модели. Стоимость процедуры зависит не только от качества первого ответа, но и от числа циклов уточнения.

Что это меняет

Работа также сравнивает табличный поиск со смысловым поиском по векторам. Векторный инструмент полезен для обнаружения материалов по смыслу, тогда как SQL помогает проверять конкретные поля, фильтры и агрегаты. Когда модель располагала обоими способами, ей было проще подтверждать некоторые ответы. При этом свободно формируемые условия фильтрации создавали риск инъекции: агент обнаружил способ получить данные через ошибки некорректного SQL.

Практический вывод не сводится к рекомендации всегда выбирать SQL или всегда строить граф. Если данные уже структурированы, полезно начать с понятной схемы PostgreSQL, комментированных полей, прав только на чтение и измерения качества ответов. SPARQL оправдан там, где важны связи и обход графа, а векторы — там, где документы ещё не разложены на строгие сущности. Инструменты ИИ-агента необходимо ограничивать и тестировать отдельно от убедительности его текста.

Первоисточник

Материал подготовлен STRUCTURE по открытой публикации Habr. Текст и иллюстрации первоисточника не воспроизводятся целиком.

Читать исходную новость целиком ↗