Em aplicativos com tecnologia de IA, os usuários esperam interagir por linguagem natural (texto ou voz), o que exige que os agentes de IA consultem bancos de dados operacionais e retornem respostas precisas e explicáveis.
O QueryData é o produto de consulta de dados em linguagem natural do Google Cloud. Ele combina uma execução rápida e determinística para sua lógica de negócios principal com a flexibilidade de generalizar frases naturais e perguntas inesperadas. Essa abordagem oferece quase 100% de precisão, baixa latência on-line e explicabilidade certificada.
O QueryData é compatível com o AlloyDB para PostgreSQL, o Cloud SQL para PostgreSQL, o Cloud SQL para MySQL, o Spanner (dialeto do GoogleSQL), o Firestore com compatibilidade com o MongoDB e o Bigtable.
Por que a geração de SQL de LLM simples falha na produção
Conectar um modelo de linguagem grande (LLM) diretamente a um esquema de banco de dados (texto para SQL padrão ou NL2SQL) funciona bem em um protótipo, geralmente alcançando de 80% a 90% de precisão em perguntas básicas. No entanto, na produção, pedir a um LLM para gerar SQL do zero em esquemas brutos costuma falhar por cinco motivos:
- English: Silent semantic failures: Unlike code generation, where syntax errors fail
loudly, an LLM facing an ambiguous question rarely says "I don't know."
Em vez disso, ele escreve um SQL que parece plausível e é executado sem problemas
(
200 OK), mas retorna uma resposta errada com confiança, como omitir filtros de status obrigatórios ou usar fórmulas e medições incorretas. - Lógica de negócios não escrita ausente do esquema: os esquemas definem tabelas e tipos de dados, não como suas operações comerciais funcionam. Se um usuário pedir a um app imobiliário "casas perto de boas escolas em Del Mar", o esquema não define qual distância conta como "perto", qual limite de classificação torna uma escola "boa" ou como ponderar a proximidade em relação à qualidade da escola. Sem essas regras, um LLM precisa adivinhar.
- Dados privados opacos e ambiguidade de entidades: os LLMs são treinados em fatos públicos, não nas strings armazenadas nas tabelas privadas ou na forma como os usuários as escrevem incorretamente (especialmente com entrada de voz). Em "Propriedades vendidas de Westwod no último mês", um LLM somente de esquema não consegue identificar que "Westwod" é um erro de digitação de "Westwood" ou se "Westwood" no banco de dados é uma cidade, um município ou uma corretora.
- A armadilha da latência versus precisão: fornecer a um agente ferramentas SQL brutas para explorar tabelas, linhas de amostra e se autocorrigir em um loop de várias interações aumenta a latência para mais de 30 segundos por pergunta, o que é muito lento para apps interativos. Por outro lado, colocar regras de negócios em um comando de sistema gigante causa conflitos de instruções, em que a correção de uma consulta quebra silenciosamente outras.
- Exposição de dados não controlada: em aplicativos padrão, o código de back-end controla estritamente quais consultas são executadas e quais linhas um usuário pode ver. Quando um LLM gera SQL dinamicamente com base em entradas de usuários não confiáveis, confiar em instruções de comando para proteger métricas sensíveis ou dados de locatários deixa o banco de dados vulnerável à manipulação de comandos.
O que uma solução pronta para produção exige
Os aplicativos Production exigem precisão de quase 100% nos fluxos de trabalho principais, latência on-line consistentemente rápida, explicabilidade transparente, generalização para perguntas inesperadas e segurança rigorosa em que o acesso aos dados é importante.
Para atender a esses requisitos, é preciso ir além da geração de SQL aberta e adotar três recursos fundamentais:
- Contexto de domínio off-line simples de organizar: o contexto é a base da alta precisão. Em vez de forçar um LLM a inferir regras de negócios e relações de tabela no momento da execução, um sistema de produção precisa de um contexto de domínio estruturado preparado off-line. A curadoria e a manutenção desse contexto precisam ser automatizadas para que as equipes de engenharia não fiquem presas à criação manual de regras frágeis.
- Correspondência on-line rápida e determinística que generaliza e explica o trabalho: a baixa latência on-line requer um mecanismo que corresponda rapidamente as perguntas ao contexto verificado, resolva os valores do banco de dados, explique as regras de negócios exatas aplicadas e mostre ambiguidades ao usuário em vez de adivinhar. Ao mesmo tempo, o sistema não pode ser um menu Alertas rígido. Ele precisa generalizar variações de frases, combinações de filtros e perguntas inesperadas usando contexto relacionado e metadados de esquema.
- Limites de segurança determinísticos: como as interfaces de linguagem natural conectam entradas de usuários não confiáveis ao banco de dados, a segurança é fundamental. Uma solução de produção não pode depender de comandos do LLM para aplicar regras de acesso. Ele precisa aplicar controles determinísticos na camada de banco de dados e contexto (incluindo privacidade no nível da linha para aplicativos multilocatários) para evitar a exposição não autorizada de dados.
Como o produto QueryData reúne tudo isso
O produto QueryData é mais do que o endpoint de API QueryData. Ele opera como
um sistema unificado de duas partes que combina a engenharia de contexto em tempo de design com a execução e a generalização
determinísticas e rápidas em tempo de execução.
Engenharia de contexto no tempo de design
Para capturar a lógica do domínio off-line, associe o banco de dados a um conjunto de contexto e faça a curadoria dele usando o agente de engenharia de contexto:
- Contexto de domínio estruturado além de esquemas brutos: além das descrições de tabelas e colunas do banco de dados, um conjunto de contexto armazena conhecimento de domínio pré-compilado para seu banco de dados. Embora o contexto de domínio possa assumir várias formas,
os conjuntos de contexto oferecem suporte a três tipos de contexto especializados:
- Modelos de consulta: padrões SQL parametrizados que correspondem a padrões de perguntas generalizados, combinados com uma explicação de intent certificada para que os usuários possam verificar como o QueryData interpretou as principais perguntas de negócios.
- Facetas de consulta: predicados de filtro SQL modulares e operadores de IA de banco de dados (como
ai.ife busca vetorial) que se combinam dinamicamente com modelos para que um conjunto de contexto compacto cubra centenas de combinações de filtros. - Pesquisas de valor: pesquisas de banco de dados rápidas e determinísticas que resolvem erros de ortografia, mapeiam termos do usuário para colunas e valores exatos e identificam quando um termo corresponde a vários conceitos.
- Curadoria automatizada e hill-climbing: em vez de criar arquivos de contexto manualmente, execute o Agente de Engenharia de Contexto na CLI ou no ambiente de desenvolvimento integrado (como
Antigravity ou Claude Code) para automatizar o loop de otimização:
- Gerar um comparativo de mercado de ouro: cria e expande pares de perguntas e SQL representativos do esquema do banco de dados, das consultas de semente e da base de código do aplicativo.
- Otimização automática: avalia a API
QueryDatausando o Evalbench, diagnostica padrões de falha de causa raiz, cria contexto generalizado e faz upload automático de conjuntos de contexto aprimorados da CLI até que a precisão convirja. - Validar em um conjunto de teste de validação: avalia o conjunto de contexto final uma vez ao final da otimização em relação a variações de perguntas não vistas para confirmar que a precisão se generaliza para o tráfego do mundo real sem overfitting.
Execução de consulta no ambiente de execução
Na produção, sua estrutura de agentes (como o Kit de Desenvolvimento de Agente (ADK),
LangChain, Antigravity ou Claude Code) envia perguntas do usuário para o endpoint de API
QueryData na
API de Análise conversacional,
diretamente ou pelo
MCP Toolbox for Databases:
- Execução rápida e determinista com capacidade de generalização:
- Modelo determinístico e execução de facetas: quando uma pergunta corresponde ao seu
conjunto de contexto em qualquer variação de frase ou combinação de filtros, a
API
QueryDataresolve os valores do banco de dados e combina o modelo SQL verificado com as facetas correspondentes. Em seguida, ele executa a consulta e retorna a resposta e uma explicação de intent certificada com baixa latência. - Detecção de ambiguidade: se um termo no comando corresponder a vários conceitos válidos nos seus dados particulares, a API
QueryDatavai retornar um comando de desambiguação para que o agente possa pedir esclarecimentos ao usuário em vez de adivinhar. - Generalização para consultas inesperadas: quando uma pergunta não se encaixa
nos modelos e facetas predefinidos, a API
QueryDatasintetiza dinamicamente o SQL usando os metadados do esquema do banco de dados, as pesquisas de valores e os modelos relacionados como orientação.
- Modelo determinístico e execução de facetas: quando uma pergunta corresponde ao seu
conjunto de contexto em qualquer variação de frase ou combinação de filtros, a
API
- Segurança aplicada pelo banco de dados: para proteger dados sensíveis contra manipulação de comandos, o produto QueryData funciona com controles de acesso no nível do banco de dados. Para aplicativos multilocatários no AlloyDB e no Cloud SQL, as visualizações seguras parametrizadas incorporam filtros de usuário autenticados e obrigatórios diretamente na definição da visualização do banco de dados, para que cada consulta respeite o isolamento do locatário.
Preços
As consultas executadas quando você cria conjuntos de contexto e usa o QueryData com seus agentes de dados ou fontes de dados de banco de dados são cobradas de acordo com os preços de computação do AlloyDB. Não há cobrança extra para criar e usar conjuntos de contexto e o QueryData durante o período de pré-lançamento. Para mais informações, consulte Preços do agente do Data Cloud.
A seguir
- Saiba como os modelos, os atributos e as pesquisas de valor funcionam juntos na Visão geral dos conjuntos de contexto.
- Gerar e otimizar automaticamente um conjunto de contexto em Criar conjuntos de contexto com o agente de engenharia de contexto.
- Conecte seu aplicativo à API
QueryDataem Integrar o QueryData a um aplicativo. - Acesso seguro usando visualizações seguras parametrizadas para proteger dados multilocatários.