Descripción general de QueryData

En las aplicaciones potenciadas por IA, los usuarios esperan interactuar a través del lenguaje natural (texto o voz), lo que requiere que tus agentes de IA consulten bases de datos operativas y devuelvan respuestas precisas y explicables.

QueryData es el producto de consulta de datos en lenguaje natural de Google Cloud. Combina la ejecución rápida y determinista de tu lógica empresarial principal con la flexibilidad para generalizar las frases naturales y las preguntas imprevistas. Este enfoque ofrece una precisión de casi el 100%, una latencia en línea baja y una explicabilidad certificada.

QueryData admite AlloyDB para PostgreSQL, Cloud SQL para PostgreSQL, Cloud SQL para MySQL, Spanner (dialecto de GoogleSQL), Firestore con compatibilidad con MongoDB y Bigtable.

Por qué falla la generación de SQL con LLM ingenuos en producción

Conectar un modelo de lenguaje grande (LLM) directamente a un esquema de base de datos (texto a SQL estándar o NL2SQL) funciona bien en un prototipo y, a menudo, alcanza una exactitud del 80% al 90% en preguntas básicas. Sin embargo, en producción, pedirle a un LLM que genere SQL desde cero sobre esquemas sin procesar suele fallar por cinco motivos:

  • Fallas semánticas silenciosas: A diferencia de la generación de código, en la que los errores de sintaxis fallan de forma ruidosa, un LLM que se enfrenta a una pregunta ambigua rara vez dice "No sé". En su lugar, escribe SQL de aspecto plausible que se ejecuta de forma limpia (200 OK), pero devuelve una respuesta incorrecta con confianza, como omitir los filtros de estado obligatorios o usar fórmulas y mediciones incorrectas.
  • Lógica empresarial no escrita que falta en el esquema: Los esquemas definen tablas y tipos de datos, no cómo opera tu empresa. Si un usuario le pide a una app de bienes raíces "casas cerca de buenas escuelas en Del Mar", el esquema no define qué distancia se considera "cerca", qué calificación hace que una escuela sea "buena" o cómo ponderar la proximidad en comparación con la calidad de la escuela. Sin esas reglas, un LLM tiene que adivinar.
  • Datos privados opacos y ambigüedad de entidades: Los LLM se entrenan con hechos públicos, no con las cadenas almacenadas en tus tablas privadas ni con la forma en que los usuarios las escriben de forma incorrecta (en especial, con la entrada de voz). En "Propiedades vendidas de Westwod en el último mes", un LLM solo de esquema no puede saber que "Westwod" es un error tipográfico de "Westwood" o si "Westwood" en tu base de datos es una ciudad, un municipio o una agencia de corretaje.
  • La trampa de la latencia frente a la exactitud: Proporcionar a un agente herramientas de SQL sin procesar para explorar tablas, muestrear filas y autocorregirse en un bucle de varios turnos aumenta la latencia a más de 30 segundos por pregunta, lo que es demasiado lento para las apps interactivas. Por el contrario, incluir reglas empresariales en una instrucción del sistema gigante provoca conflictos de instrucciones, en los que corregir una consulta interrumpe de forma silenciosa otras.
  • Exposición de datos no controlada: En las aplicaciones estándar, el código de backend controla de forma estricta qué consultas se ejecutan y qué filas puede ver un usuario. Cuando un LLM genera SQL de forma dinámica a partir de entradas de usuarios no confiables, depender de las instrucciones para proteger las métricas sensibles o los datos de los usuarios deja la base de datos vulnerable a la manipulación de instrucciones.

Qué requiere una solución lista para producción

Las aplicaciones de producción requieren una precisión cercana al 100% en los flujos de trabajo principales, una latencia en línea rápida y constante, una explicabilidad transparente, una generalización para preguntas imprevistas y una seguridad estricta en la que el acceso a los datos es importante.

Para cumplir con estos requisitos, se debe ir más allá de la generación de SQL abierta y contar con tres capacidades fundamentales:

  • Contexto de dominio sin conexión que es fácil de seleccionar: El contexto es la base de la alta precisión. En lugar de obligar a un LLM a inferir reglas empresariales y relaciones de tablas en el entorno de ejecución, un sistema de producción necesita un contexto de dominio estructurado preparado sin conexión. La selección y el mantenimiento de ese contexto deben automatizarse para que los equipos de ingeniería no se queden estancados creando manualmente reglas frágiles.
  • Coincidencia en línea rápida y determinista que generaliza y explica su trabajo: La baja latencia en línea requiere un motor que asocie rápidamente las preguntas con el contexto verificado, resuelva los valores de la base de datos, explique las reglas empresariales exactas aplicadas y muestre las ambigüedades al usuario en lugar de adivinar. Al mismo tiempo, el sistema no puede ser un menú de informes rígido. Debe generalizar las variaciones de frases, las combinaciones de filtros y las preguntas imprevistas con el contexto relacionado y los metadatos del esquema.
  • Límites de seguridad determinísticos: Debido a que las interfaces de lenguaje natural conectan la entrada de usuario no confiable a tu base de datos, la seguridad es primordial. Una solución de producción no puede depender de las instrucciones del LLM para aplicar reglas de acceso. Debe aplicar controles determinísticos en la capa de la base de datos y del contexto (incluida la privacidad a nivel de fila para las aplicaciones multiusuario) para evitar la exposición no autorizada de los datos.

Cómo el producto QueryData reúne todo esto

El producto QueryData es más que el extremo de API de QueryData. Funciona como un sistema unificado de dos partes que combina la ingeniería de contexto en tiempo de diseño con una ejecución y generalización rápidas y deterministas en el entorno de ejecución.

Ingeniería de contexto en tiempo de diseño

Para capturar la lógica de tu dominio sin conexión, vincula tu base de datos con un conjunto de información contextual y selecciónalo con el agente de ingeniería de contexto:

  • Contexto de dominio estructurado más allá de los esquemas sin procesar: Junto con las descripciones de tablas y columnas de tu base de datos, un conjunto de contexto almacena conocimientos de dominio precompilados para tu base de datos. Si bien el contexto de dominio puede adoptar muchas formas, los conjuntos de contexto admiten tres tipos de contexto especializados:
    • Plantillas de consultas: Patrones de SQL parametrizados que coinciden con patrones de preguntas generalizados, vinculados con una explicación de intención certificada para que tus usuarios puedan verificar cómo QueryData interpretó las preguntas comerciales principales.
    • Facetas de consulta: Predicados de filtro de SQL modulares y Vector Search que se combinan de forma dinámica con plantillas para que un conjunto de contexto compacto abarque cientos de combinaciones de filtros.
    • Búsquedas de valores: Son búsquedas rápidas y determinísticas en la base de datos que resuelven errores ortográficos, asignan términos de usuario a columnas y valores exactos, y detectan cuando un término coincide con varios conceptos.
  • Selección automatizada y escalada de colinas: En lugar de crear archivos de contexto de forma manual, ejecutas el agente de ingeniería de contexto en tu CLI o IDE (como Antigravity o Claude Code) para automatizar el bucle de optimización:
    • Genera una comparativa de referencia: Compila y expande pares de preguntas y SQL representativos a partir del esquema de tu base de datos, las consultas de origen y la base de código de la aplicación.
    • Escalada automática: Evalúa la API de QueryData con Evalbench, diagnostica patrones de fallas de causa raíz, crea un contexto generalizado y sube automáticamente conjuntos de contexto mejorados desde tu CLI hasta que la exactitud converja.
    • Valida en un conjunto de pruebas de exclusión: Evalúa el conjunto de contexto final una vez al final de la optimización con variaciones de preguntas no vistas para confirmar que la exactitud se generaliza al tráfico del mundo real sin sobreajuste.

Ejecución de consultas en el entorno de ejecución

En producción, el arnés de agentes (como el Kit de desarrollo de agentes (ADK), LangChain, Antigravity o Claude Code) envía las preguntas de los usuarios al extremo de API de QueryData en la API de Conversational Analytics, ya sea directamente o a través de MCP Toolbox para bases de datos:

  • Ejecución rápida y determinística con la capacidad de generalizar:
    • Ejecución determinística de plantillas y facetas: Cuando una pregunta coincide con tu conjunto de contexto en cualquier variación de frase o combinación de filtros, la API de QueryData resuelve los valores de la base de datos y combina la plantilla de SQL verificada con las facetas que coinciden. Luego, ejecuta la consulta y devuelve la respuesta y una explicación de la intención certificada con baja latencia.
    • Detección de ambigüedad: Si un término en la instrucción coincide con varios conceptos válidos en tus datos privados, la API de QueryData devuelve una instrucción de desambiguación para que tu agente pueda pedirle al usuario una aclaración en lugar de adivinar.
    • Generalización a consultas imprevistas: Cuando una pregunta queda fuera de las plantillas y facetas predefinidas, la API de QueryData sintetiza de forma dinámica el SQL con los metadatos del esquema de la base de datos, las búsquedas de valores y las plantillas relacionadas como guía.
  • Seguridad aplicada por la base de datos: Para proteger los datos sensibles contra la manipulación de instrucciones, el producto QueryData funciona con controles de acceso a nivel de la base de datos. Para las aplicaciones multiusuario en AlloyDB y Cloud SQL, las vistas seguras parametrizadas incorporan filtros de usuario autenticados y obligatorios directamente en la definición de la vista de la base de datos, de modo que cada consulta respete el aislamiento de los usuarios.

Precios

Se te cobra según los precios de procesamiento de Cloud SQL para MySQL por las consultas que se ejecutan cuando creas conjuntos de contexto y usas QueryData con tus agentes de datos o fuentes de datos de la base de datos. No se aplican cargos adicionales por crear y usar conjuntos de información contextual y QueryData durante el período de versión preliminar. Para obtener más información, consulta Precios de Data Cloud Agent.

¿Qué sigue?