In KI-basierten Anwendungen erwarten Nutzer, dass sie über natürliche Sprache (Text oder Sprache) interagieren können. Dazu müssen Ihre KI-Agenten operative Datenbanken abfragen und genaue, erklärbare Antworten zurückgeben.
QueryData ist das Produkt von Google Cloudfür Datenabfragen in natürlicher Sprache. Er kombiniert eine schnelle, deterministische Ausführung für Ihre Kerngeschäftslogik mit der Flexibilität, natürliche Formulierungen und unerwartete Fragen zu verarbeiten. Dieser Ansatz bietet eine Genauigkeit von fast 100 %, eine niedrige Online-Latenz und eine zertifizierte Erklärbarkeit.
QueryData unterstützt AlloyDB for PostgreSQL, Cloud SQL for PostgreSQL, Cloud SQL for MySQL, Spanner (GoogleSQL-Dialekt), Firestore mit MongoDB-Kompatibilität und Bigtable.
Warum die naive LLM-SQL-Generierung in der Produktion fehlschlägt
Das direkte Verbinden eines Large Language Model (LLM) mit einem Datenbankschema (Standard-Text-zu-SQL oder NL2SQL) funktioniert in einem Prototyp gut und erreicht bei einfachen Fragen oft eine Genauigkeit von 80 % bis 90 %. In der Produktion scheitert die Generierung von SQL-Abfragen aus Rohschemas durch ein LLM jedoch aus fünf Gründen:
- Unbemerkte semantische Fehler: Im Gegensatz zur Codegenerierung, bei der Syntaxfehler deutlich sichtbar sind, sagt ein LLM bei einer mehrdeutigen Frage selten „Ich weiß es nicht“.
Stattdessen wird plausibel aussehendes SQL geschrieben, das sauber ausgeführt wird (
200 OK), aber eine falsche Antwort zurückgibt, z. B. durch das Weglassen erforderlicher Statusfilter oder die Verwendung falscher Formeln und Messwerte. - Nicht geschriebene Geschäftslogik, die im Schema fehlt: Schemas definieren Tabellen und Datentypen, nicht Ihre Betriebsabläufe. Wenn ein Nutzer eine Immobilien-App nach „Häusern in der Nähe guter Schulen in Del Mar“ fragt, definiert das Schema nicht, welche Entfernung als „in der Nähe“ gilt, welche Bewertung eine Schule „gut“ macht oder wie die Nähe im Vergleich zur Schulqualität gewichtet werden soll. Ohne diese Regeln muss ein LLM raten.
- Undurchsichtige private Daten und Mehrdeutigkeit von Entitäten: LLMs werden mit öffentlichen Fakten trainiert, nicht mit den Strings, die in Ihren privaten Tabellen gespeichert sind, oder mit der Art und Weise, wie Nutzer sie falsch schreiben (insbesondere bei der Spracheingabe). In „Westwod's sold properties in the last month“ kann ein LLM, das nur das Schema kennt, nicht erkennen, dass „Westwod“ ein Tippfehler für „Westwood“ ist oder ob „Westwood“ in Ihrer Datenbank eine Stadt, eine Gemeinde oder ein Maklerunternehmen ist.
- Die Falle zwischen Latenz und Genauigkeit: Wenn Sie einem Agenten rohe SQL-Tools zur Verfügung stellen, um Tabellen zu erkunden, Zeilen zu testen und sich in einer Schleife mit mehreren Durchgängen selbst zu korrigieren, steigt die Latenz auf mehr als 30 Sekunden pro Frage. Das ist für interaktive Anwendungen zu langsam. Wenn Sie dagegen Geschäftsregeln in einen riesigen System-Prompt packen, führt das zu Konflikten zwischen den Anweisungen, bei denen die Behebung einer Abfrage unbemerkt andere beeinträchtigt.
- Unkontrollierte Datenoffenlegung: In Standardanwendungen wird im Backend-Code streng kontrolliert, welche Abfragen ausgeführt werden und welche Zeilen ein Nutzer sehen kann. Wenn ein LLM SQL dynamisch aus nicht vertrauenswürdigen Nutzereingaben generiert, ist die Datenbank anfällig für Prompt-Manipulationen, wenn Sie sich auf Prompt-Anweisungen verlassen, um sensible Messwerte oder Mandantendaten zu schützen.
Anforderungen an eine produktionsreife Lösung
Produktionsanwendungen erfordern eine Genauigkeit von nahezu 100 % bei Kernworkflows, eine konsistent schnelle Online-Latenz, eine transparente Erklärbarkeit, eine Generalisierbarkeit auf unerwartete Fragen und eine strenge Sicherheit, wenn der Datenzugriff wichtig ist.
Um diese Anforderungen zu erfüllen, müssen Sie über die offene SQL-Generierung hinausgehen und drei grundlegende Funktionen nutzen:
- Offline-Domainkontext, der einfach zu kuratieren ist: Kontext ist die Grundlage für hohe Genauigkeit. Anstatt ein LLM zu zwingen, Geschäftsregeln und Tabellenbeziehungen zur Laufzeit abzuleiten, benötigt ein Produktionssystem strukturierten Domainkontext, der offline vorbereitet wird. Die Erstellung und Pflege dieses Kontexts muss automatisiert werden, damit Engineering-Teams nicht mühsam fehleranfällige Regeln manuell erstellen müssen.
- Schneller, deterministischer Online-Abgleich, der die Arbeit verallgemeinert und erklärt: Eine niedrige Online-Latenz erfordert eine Engine, die Fragen schnell mit verifiziertem Kontext abgleicht, Datenbankwerte auflöst, die genauen angewendeten Geschäftsregeln erklärt und Unklarheiten für den Nutzer aufzeigt, anstatt zu raten. Gleichzeitig darf das System kein starres Berichtsmenü sein. Sie muss über Formulierungs- und Filterkombinationen sowie unerwartete Fragen hinweg verallgemeinern, indem sie verwandten Kontext und Schemametadaten verwendet.
- Deterministische Sicherheitsgrenzen: Da Schnittstellen für natürliche Sprache nicht vertrauenswürdige Nutzereingaben mit Ihrer Datenbank verbinden, ist Sicherheit von entscheidender Bedeutung. Eine Produktionslösung kann sich nicht auf LLM-Prompts verlassen, um Zugriffsregeln durchzusetzen. Sie muss deterministische Kontrollen auf der Datenbank- und Kontextebene erzwingen (einschließlich Datenschutz auf Zeilenebene für mandantenfähige Anwendungen), um eine unbefugte Offenlegung von Daten zu verhindern.
Wie das QueryData-Produkt dies zusammenführt
Das QueryData-Produkt ist mehr als nur der API-Endpunkt QueryData. Es funktioniert als einheitliches zweiteiliges System, das Kontext-Engineering zur Designzeit mit schneller, deterministischer Ausführung und Generalisierung zur Laufzeit kombiniert.
Context Engineering zur Designzeit
Wenn Sie Ihre Domainlogik offline erfassen möchten, verknüpfen Sie Ihre Datenbank mit einem Kontextset und kuratieren es mit dem Context Engineering Agent:
- Strukturierter Domainkontext über Rohschemas hinaus: Neben den Tabellen- und Spaltenbeschreibungen Ihrer Datenbank speichert ein Kontextset vorkompiliertes Domainwissen für Ihre Datenbank. Der Domainkontext kann viele Formen annehmen, aber Kontextsätze unterstützen drei spezielle Kontexttypen:
- Abfragevorlagen: Parametrisierte SQL-Muster, die mit allgemeinen Fragemustern abgeglichen werden, gepaart mit einer zertifizierten Intent-Erklärung, damit Ihre Nutzer überprüfen können, wie QueryData zentrale Geschäftsfragen interpretiert hat.
- Abfragefacetten: Modulare SQL-Filterprädikate und Datenbank-KI-Operatoren (wie
ai.ifund Vektorsuche), die dynamisch mit Vorlagen kombiniert werden, sodass ein kompakter Kontextsatz Hunderte von Filterkombinationen abdeckt. - Wertesuchen: Schnelle, deterministische Datenbanksuchen, die Rechtschreibfehler korrigieren, Nutzerbegriffe genauen Spalten und Werten zuordnen und erkennen, wenn ein Begriff mit mehreren Konzepten übereinstimmt.
- Automatisierte Auswahl und Hill-Climbing: Anstatt Kontextdateien manuell zu erstellen, führen Sie den Context Engineering Agent in Ihrer Befehlszeile oder IDE (z. B. Antigravity oder Claude Code) aus, um die Optimierungsschleife zu automatisieren:
- Goldene Benchmark generieren: Erstellt und erweitert repräsentative Frage-SQL-Paare aus Ihrem Datenbankschema, Ihren Seed-Abfragen und Ihrer Anwendungs-Codebasis.
- Automatisches Hill-Climbing: Die
QueryDataAPI wird mit Evalbench bewertet, die Ursachen von Fehlermustern werden diagnostiziert, verallgemeinerter Kontext wird erstellt und verbesserte Kontextsätze werden automatisch über die Befehlszeile hochgeladen, bis die Genauigkeit konvergiert. - Validierung anhand eines zurückgehaltenen Testsets: Das endgültige Kontextset wird einmal am Ende der Optimierung anhand von unbekannten Fragevarianten bewertet, um zu bestätigen, dass die Genauigkeit auf realen Traffic verallgemeinert werden kann, ohne dass es zu einer Überanpassung kommt.
Abfrageausführung zur Laufzeit
In der Produktion sendet Ihr Agenten-Framework (z. B. Agent Development Kit (ADK), LangChain, Antigravity oder Claude Code) Nutzerfragen entweder direkt oder über die MCP Toolbox for Databases an den API-Endpunkt QueryData in der konversationellen Analyse API:
- Schnelle, deterministische Ausführung mit der Möglichkeit zur Generalisierung:
- Deterministische Vorlagen- und Facettenausführung: Wenn eine Frage mit Ihrem Kontextset übereinstimmt, unabhängig von der Formulierung oder Filterkombination, löst die
QueryDataAPI Datenbankwerte auf und kombiniert die verifizierte SQL-Vorlage mit den übereinstimmenden Facetten. Anschließend wird die Abfrage ausgeführt und sowohl die Antwort als auch eine zertifizierte Intent-Erklärung mit niedriger Latenz zurückgegeben. - Mehrdeutigkeitserkennung: Wenn ein Begriff im Prompt mit mehreren gültigen Konzepten in Ihren privaten Daten übereinstimmt, gibt die
QueryDataAPI einen Prompt zur Mehrdeutigkeitsauflösung zurück, damit Ihr Agent den Nutzer um Klärung bitten kann, anstatt zu raten. - Generalisierung auf unerwartete Abfragen: Wenn eine Frage außerhalb vordefinierter Vorlagen und Facetten liegt, synthetisiert die
QueryDataAPI dynamisch SQL. Dabei werden Ihre Datenbankschema-Metadaten, Wertsuchen und zugehörige Vorlagen als Orientierungshilfe verwendet.
- Deterministische Vorlagen- und Facettenausführung: Wenn eine Frage mit Ihrem Kontextset übereinstimmt, unabhängig von der Formulierung oder Filterkombination, löst die
- Datenbankerzwungene Sicherheit: Zum Schutz sensibler Daten vor Prompt-Manipulationen arbeitet das QueryData-Produkt mit Zugriffssteuerungen auf Datenbankebene. Bei mandantenfähigen Anwendungen in AlloyDB und Cloud SQL werden mit parametrisierten sicheren Ansichten obligatorische, authentifizierte Nutzerfilter direkt in die Definition der Datenbankansicht eingebettet, sodass bei jeder Abfrage die Mandantenisolation berücksichtigt wird.
Preise
Für Abfragen, die beim Erstellen von Kontextsets und bei der Verwendung von QueryData mit Ihren KI-Datenagenten oder Datenbank-Datenquellen ausgeführt werden, werden Ihnen die AlloyDB-Computing-Preise in Rechnung gestellt. Für das Erstellen und Verwenden von Kontextsets und QueryData während der Vorabversion fallen keine zusätzlichen Gebühren an. Weitere Informationen finden Sie unter Data Cloud-Agent – Preise.
Nächste Schritte
- Informationen dazu, wie Vorlagen, Facetten und Wertesuchen zusammenarbeiten, finden Sie unter Kontextsätze – Übersicht.
- Kontextset automatisch generieren und optimieren (Kontextsets mit dem Context Engineering Agent erstellen)
- Verbinden Sie Ihre Anwendung mit der
QueryDataAPI (siehe QueryData in eine Anwendung einbinden). - Sicherer Zugriff mit parametrisierten sicheren Ansichten zum Schutz von Mehrmandantendaten.