Primeiro, se você deseja respostas confiáveis sobre o seu negócio, o modelo deve ver seu negócio. Isso começa com Geração de recuperação une a geração (RAG) que alimenta o modelo as fatias certas de dados e metadados – DDL, diagramas de esquema, modelos DBT e até algumas amostras representativas de linha – antes de responder. Para texto para SQL especificamente, inclua descrições de tabela/coluna, notas de linhagem e teclas de junção conhecidas. A recuperação deve incluir governado Fontes (catálogos, lojas métricas, gráficos de linhagem), não apenas uma sopa vetorial de PDFs. Os resultados do Spider 2.0 afirmam que, quando os modelos enfrentam esquemas desconhecidos, eles adivinhem. Portanto, precisamos reduzir o desconhecimento para os modelos.
Segundo, a maioria dos aplicativos de IA são amnésicos. Eles começam a fresco cada pedido, sem saber o que veio antes. Assim, você precisa adicionar memória em camadas (trabalho de trabalho, longo prazo e episódico). O coração desta memória é o banco de dados. Os bancos de dados, especialmente aqueles que podem armazenar incorporação, metadados e registros de eventos, estão se tornando críticos para a “mente” da IA. A memória eleva o modelo, da correspondência de padrões à transporção de contexto.
Terceiro, o texto de forma livre convida a ambiguidade; As interfaces estruturadas reduzem. Para texto para SQL, considere emitir uma árvore de sintaxe abstrata (AST) ou um dialeto SQL restrito que sua camada de execução valida e expanda. Snap consultas para dimensões/medidas conhecidas em sua camada semântica. Use a chamada de função/ferramenta – não apenas prosa – então o modelo pede get_metric('active_users', date_range="Q2") Em vez de adivinhar os nomes da tabela. Quanto mais você trata o modelo como um planejador usando blocos de construção confiáveis, menos alucina.