QueryData 簡介

QueryData 是 Conversational Analytics API 中的自然語言轉 SQL (NL2SQL) 工具，可讓 AI 代理和應用程式使用自然語言查詢作業資料庫。當應用程式或代理使用自然語言傳送問題時，QueryData 會將問題轉譯為特定方言的 SQL 查詢，針對資料庫執行查詢，並傳回查詢結果、生成的 SQL，以及 QueryData 如何解讀問題的說明。

如要進一步瞭解如何搭配資料庫使用 QueryData，請參閱支援資料庫的說明文件：

主要功能

QueryData 為代理資料庫應用程式提供下列功能：

  • 高準確率：結合資料庫結構定義中繼資料和您挑選的情境集，在業務關鍵查詢上達到近 100% 的準確率。
  • 業務關聯性：根據貴組織的領域術語、指標定義和商業邏輯生成 SQL，而非僅依賴原始資料表和資料欄名稱。
  • 可解釋性：除了合成的 SQL 查詢和自然語言答案外，還會生成人類可讀的意圖說明，方便您和使用者驗證 QueryData 如何翻譯要求。
  • 資料安全性：在 AlloyDB、MySQL 適用的 Cloud SQL 和 PostgreSQL 適用的 Cloud SQL 中，使用參數化安全檢視表，強制執行資料列層級存取控管，並保護使用者資料免受提示詞注入攻擊。

QueryData 的使用時機

QueryData 專為開發人員設計，適合用於建構互動式應用程式和 AI 代理，能快速、準確且可預測地存取營運資料庫資料。舉例來說，QueryData 適合用於下列用途：

  • 客服自動化：回答大量使用者查詢，例如「我的訂單在哪裡？」或「我目前的帳戶餘額是多少？」
  • 電子商務和目錄搜尋助理：協助使用者篩選及探索結構化目錄，並提出多條件問題，例如「顯示重量輕、RAM 至少 16 GB 且電池續航力超過 10 小時的筆電」。
  • 現場作業和內部工具：讓員工即時查詢庫存量、零件供應情形或服務單狀態。
  • 多代理工作流程：在 Agent Development Kit (ADK)、MCP Toolbox for Databases 或 LangChain 等 Agentic Workflows 框架中，將結構化資料庫查詢公開為工具。

QueryData 的運作方式

一般大型語言模型 (LLM) 沒有貴組織的私人資料值、神祕資料欄名稱或特定領域業務規則等資訊。為縮短使用者提問方式與資料庫儲存資料方式之間的差距，QueryData 會使用下列分層脈絡：

  • 結構定義本體：資料庫目錄或 Knowledge Catalog 中，資料表和資料欄的豐富說明，可解釋資料表、資料欄、狀態碼和彙整關係的業務意義。
  • 情境集：與資料庫執行個體相關聯的精選集合，定義下列三個建構模塊：
    • 查詢範本：代表性的自然語言問題，搭配經過驗證的參數化 SQL 陳述式和意圖說明。
    • 查詢面向：模組化 SQL 述詞和篩選器片段，QueryData 會動態結合查詢範本，支援面向搜尋，不必為每個篩選器組合建立個別範本。
    • 值搜尋：精確、模糊三元組或語意向量搜尋查詢，可將非正式的使用者詞組、同義詞或拼寫錯誤的字詞，連結至資料庫中的實際值和資料欄。

當應用程式呼叫 Conversational Analytics API 中的 projects.locations.queryData 方法時，QueryData 會執行下列步驟：

  1. 值解析：對資料庫執行值搜尋查詢，將提示中的實體詞組 (例如城市名稱、產品類別或代碼) 對應至確切的資料庫資料欄值。
  2. 意圖比對和消歧：將使用者的問題與情境集中的查詢範本和面向，以及結構定義本體進行比對。如果問題語意不明或缺少必要參數，QueryData 可傳回釐清問題，確認使用者意圖。
  3. 查詢合成：結合相符的範本結構、適用的面向和解析的常值，合成特定方言的 SQL 查詢；如果沒有相符的範本，則會根據結構定義本體生成 SQL。
  4. 查詢執行和回覆：對目標資料庫執行生成的 SQL，並傳回表格結果集、生成的 SQL 查詢、意圖說明，以及選用的自然語言摘要。

讓文字轉 SQL 準確率接近 100% 的策略

要讓文字轉 SQL 的準確率接近 100%，必須經過反覆的工程程序，也就是登山法。您不必預先設想使用者可能提出的所有問題，而是先從基準結構定義說明著手，使用 EvalBench 根據代表性的黃金 SQL 查詢基準評估代理，然後解決準確度落差。

如要進一步瞭解解決準確度落差的建議策略 (或方法)，包括架構圖、SQL 範例和評估基準，請參閱「讓 Text-to-SQL 準確度接近 100% 的六種方法」，並試用隨附的程式碼實驗室，瞭解如何實作這些 Text-to-SQL 準確度方法。

總而言之，六個食譜如下：

  • 配方 0：初始化情境集並連結應用程式。首先，在結構定義中加入描述性的資料表和資料欄註解，然後使用 Conversational Analytics API 用戶端程式庫，或 MCP Toolbox for Databases 中的 cloud-gemini-data-analytics-query 工具，將應用程式連結至 QueryData。
  • 方法 1：使用查詢範本插入解讀。針對最重要的業務問題，提供經過驗證的 SQL 查詢範例，並將這些範例一般化，轉換為參數化 SQL 範本、參數化意圖說明，以及擷取語意等效問題變體的資訊清單。
  • 方法 2：使用多面向範本。將基本查詢範本與模組化查詢面向 (可重複使用的 SQL 條件，具有自己的資訊清單和意圖) 搭配使用，QueryData 就能動態組成多重篩選器查詢，不必為每種條件組合建立個別範本。
  • 方法 3：使用值搜尋功能消除歧義。定義值搜尋查詢，將自然語言問題中的值詞組 (包括專有術語、同義詞和拼寫錯誤) 連結至實際的資料庫資料欄和值，並在字詞與多個實體類型相符時，讓 QueryData 提示使用者提供更明確的資訊。
  • 配方 4：整合語意搜尋和 AI 運算子。結合結構化 SQL 範本和 facet，以及向量搜尋和資料庫內 AI 運算子 (例如 AlloyDB 中的 AI.IF 和 AI.RANK)，使用語意條件篩選非結構化文字或多模態資料，並進行排序。
  • 方法 5：使用參數化安全檢視。在 AlloyDB、MySQL 適用的 Cloud SQL 和 PostgreSQL 適用的 Cloud SQL 中，透過參數化安全檢視表繫結已驗證的使用者參數，強制執行嚴格的資料列層級安全性，並保護使用者資料免受提示詞注入攻擊。

您可以手動套用這些方法，也可以使用開放原始碼情境工程代理，自動執行爬坡工作流程，包括擴充評估集、執行 EvalBench 評估、分析準確度差距，以及提出新的範本、面向和值搜尋。

後續步驟