Однако аналитики говорят, что детерминированные, основанные на контроле функции усложняют проектирование на старте.
Новый инструмент Google Cloud призван повысить точность AI-агентов, выполняющих запросы к базам данных в мультиагентных системах или приложениях.
QueryData, который преобразует natural language в запросы к базам данных с, как утверждает компания, «почти 100% точностью», продвигается как альтернатива прямой генерации запросов большими языковыми моделями (LLMs), которые, по словам Google, могут вносить ошибки из-за ограниченного понимания схем баз данных и их probabilistic reasoning.
Однако, чтобы сформировать такое понимание, корпоративным командам, использующим QueryData, сначала нужно определить то, что Google называет «context» — описание того, как к данным следует обращаться и как их запрашивать. Это включает кодирование сведений о схемах баз данных, в том числе описаний таблиц, связей и бизнес-смысла, а также детерминированных инструкций, которые направляют генерацию или выполнение запросов.
После настройки context и guidelines команды могут использовать Context Engineering Assistant — специализированного агента в Gemini CLI, чтобы итеративно проверять точность запросов с помощью Evalbench framework, пока результаты не устроят команду.
После этого QueryData можно встроить в workflow, управляемые агентами, где он выступает как слой исполнения между пользовательскими запросами и базовыми базами данных.
Инструмент можно использовать внутри собственных data agents, currently available in BigQuery Google Cloud или вызывать через API предприятиям, которые строят собственные агенты и мультиагентные системы. Сейчас он поддерживает AlloyDB, CloudSQL for MySQL, CloudSQL for PostgreSQL и Spanner.
В пользовательских конфигурациях агенты отвечают за рассуждение и оркестрацию, а QueryData — за генерацию, валидацию и выполнение запросов к источникам данных, возвращая результаты, которые можно использовать в последующих действиях или для принятия решений, говорится в blog post Google.
Создает новую категорию нагрузки
Новый инструмент, по словам Pareekh Jain, principal analyst в Pareekh Consulting, означает переход от AI, основанного на инструментах, к agent-ам, привязанным к результатам и снабженным встроенными guardrails. Это должно помочь компаниям выводить мультиагентные системы и приложения в промышленную эксплуатацию и открыть путь к «decision-grade use cases» в финансах, операциях и supply chain.
Однако, предупредил он, хотя QueryData снижает потребность разработчиков в prompt engineering и повышает надежность во время работы, он переносит нагрузку на проектирование на старте и последующее сопровождение.
«Он требует явного понимания схемы, детерминированных инструкций для каждого источника данных и постоянного сопровождения по мере изменения схем, — отметил он. — По сути, это создает новую категорию нагрузки: data access engineering для агентов».
Он добавил: «Компромисс очевиден. Без QueryData системы быстрее собираются, но ненадежны в продакшене; с ним — собираются медленнее, но становятся жизнеспособными в масштабе».
По словам Jain, этот компромисс в конечном итоге повлияет на модели использования в компаниях: внедрение, вероятно, будет самым сильным в регулируемых и критически важных средах, а в легких или экспериментальных сценариях останется более медленным.
Смещает фокус на data layer на фоне ставок конкурентов на connectors и copilots
Кроме того, Jain отметил, что новый инструмент также сигнализирует о более широкой стратегической ставке Google Cloud.
«QueryData показывает, что Google пытается создать стандартный способ безопасного доступа AI-агентов к данным и их использования. Пока OpenAI делает ставку на APIs, AWS — на connectors, а Microsoft — на такие приложения, как Copilot, Google сосредотачивается на самом data layer, на том, как агенты фактически общаются с базами данных», — сказал Jain.
«У этого подхода есть сильные стороны, особенно благодаря тесной интеграции с Google BigQuery и экспертизе Google в области данных. Но есть и сложности: он требует больше подготовки на старте и менее гибок между платформами. В этом случае Microsoft, похоже, имеет преимущество, потому что его инструменты уже встроены в повседневные приложения, которыми пользуются люди», — отметил он.
Риск для Google, добавил Jain, в том, что более простые подходы AWS или Microsoft могут ограничить QueryData продвинутыми сценариями использования вместо того, чтобы сделать его массовым стандартом.
QueryData сейчас находится в preview.
Материал — перевод статьи с английского.
Оригинал: Google Cloud introduces QueryData to help AI agents create reliable database queries