Ringkasan QueryData

Dalam aplikasi yang didukung AI, pengguna Anda berharap dapat berinteraksi melalui bahasa alami (teks atau suara), yang mengharuskan agen AI Anda mengkueri database operasional dan memberikan jawaban yang akurat dan dapat dijelaskan.

QueryData adalah produk kueri data bahasa alami Google Cloud. Agen ini menggabungkan eksekusi yang cepat dan deterministik untuk logika bisnis inti Anda dengan fleksibilitas untuk menggeneralisasi berbagai frasa alami dan pertanyaan yang tidak terduga. Pendekatan ini memberikan akurasi hampir 100%, latensi online rendah, dan penjelasan bersertifikasi.

QueryData mendukung AlloyDB untuk PostgreSQL, Cloud SQL untuk PostgreSQL, Cloud SQL untuk MySQL, Spanner (dialek GoogleSQL), Firestore dengan kompatibilitas MongoDB, dan Bigtable.

Alasan pembuatan SQL LLM yang sederhana gagal dalam produksi

Menghubungkan model bahasa besar (LLM) langsung ke skema database (text-to-SQL atau NL2SQL standar) berfungsi dengan baik dalam prototipe, sering kali mencapai akurasi 80% hingga 90% pada pertanyaan dasar. Namun, dalam produksi, meminta LLM untuk membuat SQL dari awal berdasarkan skema mentah secara rutin akan gagal karena lima alasan:

  • Kegagalan semantik yang tidak terlihat: Tidak seperti pembuatan kode, yang error sintaksisnya terlihat jelas, LLM yang menghadapi pertanyaan ambigu jarang mengatakan "Saya tidak tahu". Sebaliknya, LLM menulis SQL yang terlihat masuk akal dan dieksekusi dengan lancar (200 OK), tetapi memberikan jawaban yang salah dengan meyakinkan, seperti menghilangkan filter status yang diperlukan atau menggunakan formula dan pengukuran yang salah.
  • Logika bisnis tidak tertulis yang tidak ada dalam skema: Skema menentukan tabel dan jenis data, bukan cara operasi bisnis Anda. Jika pengguna meminta "rumah di dekat sekolah bagus di Del Mar" kepada aplikasi properti, skema tidak menentukan jarak yang dianggap "dekat", batas rating yang membuat sekolah dianggap "bagus", atau cara menimbang kedekatan dengan kualitas sekolah. Tanpa aturan tersebut, LLM harus menebak.
  • Data pribadi yang tidak jelas dan ambiguitas entity: LLM dilatih berdasarkan fakta publik, bukan string yang disimpan di dalam tabel pribadi Anda atau cara pengguna salah mengejanya (terutama dengan input suara). Dalam "Westwod's sold properties in the last month", LLM khusus skema tidak dapat mengetahui bahwa "Westwod" adalah kesalahan ketik untuk "Westwood", atau apakah "Westwood" dalam database Anda adalah kota, kotamadya, atau broker.
  • Perangkap latensi versus akurasi: Memberi agen alat SQL mentah untuk menjelajahi tabel, baris sampel, dan mengoreksi diri sendiri dalam loop multi-giliran akan mendorong latensi hingga lebih dari 30 detik per pertanyaan, yang terlalu lambat untuk aplikasi interaktif. Sebaliknya, memasukkan aturan bisnis ke dalam perintah sistem yang besar akan menyebabkan konflik petunjuk, sehingga perbaikan satu kueri akan merusak kueri lainnya secara diam-diam.
  • Eksposur data yang tidak terkontrol: Dalam aplikasi standar, kode backend mengontrol secara ketat kueri mana yang dijalankan dan baris mana yang dapat dilihat pengguna. Saat LLM menghasilkan SQL secara dinamis dari input pengguna yang tidak tepercaya, mengandalkan petunjuk perintah untuk melindungi metrik sensitif atau data tenant akan membuat database rentan terhadap manipulasi perintah.

Hal yang diperlukan solusi siap produksi

Aplikasi produksi memerlukan akurasi hampir 100% pada alur kerja inti, latensi online yang cepat secara konsisten, penjelasan yang transparan, kemampuan generalisasi untuk pertanyaan yang tidak terduga, dan keamanan yang ketat terkait akses data.

Untuk memenuhi persyaratan ini, Anda harus beralih dari pembuatan SQL terbuka ke tiga kemampuan dasar:

  • Konteks domain offline yang mudah diseleksi: Konteks adalah fondasi akurasi tinggi. Daripada memaksa LLM untuk menyimpulkan aturan bisnis dan hubungan tabel saat runtime, sistem produksi memerlukan konteks domain terstruktur yang disiapkan secara offline. Pengelolaan dan pemeliharaan konteks tersebut harus diotomatiskan agar tim engineering tidak terjebak dalam penulisan aturan yang rentan secara manual.
  • Pencocokan online yang cepat dan deterministik yang menggeneralisasi dan menjelaskan cara kerjanya: Latensi online yang rendah memerlukan mesin yang dengan cepat mencocokkan pertanyaan dengan konteks yang diverifikasi, menyelesaikan nilai database, menjelaskan aturan bisnis yang tepat yang diterapkan, dan menampilkan ambiguitas kepada pengguna, bukan menebak. Pada saat yang sama, sistem tidak boleh menjadi menu laporan yang kaku. Agen harus melakukan generalisasi di berbagai variasi frasa, kombinasi filter, dan pertanyaan yang tidak terduga dengan menggunakan konteks dan metadata skema terkait.
  • Batas keamanan deterministik: Karena antarmuka bahasa alami menghubungkan input pengguna yang tidak tepercaya ke database Anda, keamanan adalah hal yang sangat penting. Solusi produksi tidak dapat mengandalkan perintah LLM untuk menerapkan aturan akses. Sistem ini harus menerapkan kontrol deterministik di lapisan database dan konteks (termasuk privasi tingkat baris untuk aplikasi multi-tenant) guna mencegah eksposur data yang tidak sah.

Cara produk QueryData menyatukan semua ini

Produk QueryData lebih dari sekadar endpoint API QueryData. Sistem ini beroperasi sebagai sistem dua bagian terpadu yang menggabungkan rekayasa konteks waktu desain dengan eksekusi dan generalisasi runtime yang cepat dan deterministik.

Rekayasa konteks waktu desain

Untuk menangkap logika domain secara offline, Anda menyambungkan database dengan set konteks dan mengelolanya menggunakan Agen Rekayasa Konteks:

  • Konteks domain terstruktur di luar skema mentah: Bersama dengan deskripsi tabel dan kolom database Anda, set konteks menyimpan pengetahuan domain yang telah dikompilasi sebelumnya untuk database Anda. Meskipun konteks domain dapat memiliki banyak bentuk, set konteks mendukung tiga jenis konteks khusus:
    • Template kueri: Pola SQL berparameter yang dicocokkan dengan pola pertanyaan umum, yang dipasangkan dengan penjelasan intent bersertifikasi sehingga pengguna Anda dapat memverifikasi cara QueryData menafsirkan pertanyaan bisnis inti.
    • Facet kueri: Predikat filter SQL modular dan operator AI database (seperti ai.if dan penelusuran vektor) yang digabungkan secara dinamis dengan template sehingga set konteks yang ringkas mencakup ratusan kombinasi filter.
    • Penelusuran nilai: Pencarian database yang cepat dan deterministik yang menyelesaikan kesalahan ejaan, memetakan istilah pengguna ke kolom dan nilai yang tepat, serta mengidentifikasi kapan suatu istilah cocok dengan beberapa konsep.
  • Kurasi otomatis dan hill-climbing: Daripada menulis file konteks secara manual, Anda menjalankan Context Engineering Agent di CLI atau IDE (seperti Antigravity atau Claude Code) untuk mengotomatiskan loop pengoptimalan:
    • Membuat tolok ukur emas: Membangun dan memperluas pasangan pertanyaan-SQL yang representatif dari skema database, kueri awal, dan codebase aplikasi Anda.
    • Mendaki bukit secara otomatis: Mengevaluasi QueryData API menggunakan Evalbench, mendiagnosis pola kegagalan penyebab utama, menulis konteks umum, dan secara otomatis mengupload set konteks yang ditingkatkan dari CLI Anda hingga akurasi konvergen.
    • Validasi pada set pengujian yang tidak digunakan: Mengevaluasi set konteks akhir sekali di akhir pengoptimalan terhadap variasi pertanyaan yang belum pernah dilihat untuk mengonfirmasi bahwa akurasi digeneralisasi ke traffic dunia nyata tanpa overfitting.

Eksekusi kueri runtime

Dalam produksi, harness agen Anda (seperti Agent Development Kit (ADK), LangChain, Antigravity, atau Claude Code) mengirimkan pertanyaan pengguna ke endpoint API QueryData di Conversational Analytics API, baik secara langsung maupun melalui MCP Toolbox for Databases:

  • Eksekusi yang cepat dan deterministik dengan kemampuan untuk melakukan generalisasi:
    • Eksekusi template dan faset deterministik: Saat pertanyaan cocok dengan set konteks Anda di berbagai variasi frasa atau kombinasi filter, QueryData API akan me-resolve nilai database dan menggabungkan template SQL yang diverifikasi dengan faset yang cocok. Kemudian, model ini akan menjalankan kueri dan menampilkan jawaban serta penjelasan intent bersertifikat dengan latensi rendah.
    • Deteksi ambiguitas: Jika istilah dalam perintah cocok dengan beberapa konsep yang valid dalam data pribadi Anda, QueryData API akan menampilkan perintah disambiguasi sehingga agen Anda dapat meminta klarifikasi kepada pengguna, bukan menebak.
    • Generalisasi ke kueri yang tidak terduga: Jika pertanyaan berada di luar template dan faset yang telah ditentukan, QueryData API akan secara dinamis menyintesis SQL menggunakan metadata skema database, penelusuran nilai, dan template terkait sebagai panduan.
  • Keamanan yang diterapkan database: Untuk melindungi data sensitif dari manipulasi perintah, produk QueryData berfungsi dengan kontrol akses tingkat database. Untuk aplikasi multi-tenant di AlloyDB dan Cloud SQL, tampilan aman berparameter menyematkan filter pengguna yang diautentikasi dan wajib langsung ke dalam definisi tampilan database sehingga setiap kueri mematuhi isolasi tenant.

Harga

Anda akan dikenai biaya sesuai harga komputasi AlloyDB untuk kueri yang berjalan saat Anda membuat set konteks dan menggunakan QueryData dengan agen data atau sumber data database Anda. Tidak ada biaya tambahan untuk membuat dan menggunakan set konteks dan QueryData selama periode Pratinjau. Untuk mengetahui informasi selengkapnya, lihat Harga Agen Data Cloud.

Langkah berikutnya