Data Agent دستیار هوش مصنوعی است که سؤال کسبوکار را به یک برنامه تحلیل تبدیل میکند، داده مجاز را میخواند و نتیجه را با جدول، نمودار یا توضیح قابلبررسی تحویل میدهد. تفاوت آن با چتبات معمولی در دسترسی کنترلشده به داده و اجرای چندمرحلهای است.
یک Data Agent خوب نباید مستقیماً به دیتابیس production با دسترسی کامل وصل شود. معماری امن از View، کاربر فقطخواندنی، محدودیت Query و ثبت Audit استفاده میکند.
اجزای اصلی Data Agent
- مدل برای برنامهریزی، ساخت Query و توضیح نتیجه؛
- Schema Catalog محدود و بدون Secret؛
- Query Runner با دسترسی فقطخواندنی؛
- Validator برای SQL، Timeout و سقف ردیف؛
- لایه نمایش جدول و نمودار؛
- Trace برای سؤال، Query، نتیجه و هزینه.
چرا Text-to-SQL بهتنهایی کافی نیست؟
SQL معتبر ممکن است از نظر کسبوکار اشتباه باشد. مدل باید تعریف شاخص، بازه زمانی و واحد پول را از Semantic Layer یا مستندات بخواند. نتیجه نیز باید Query و منبع داده را نشان دهد تا تحلیلگر بتواند آن را بررسی کند.
دسترسی PostgreSQL را محدود کنید
CREATE ROLE data_agent_reader LOGIN PASSWORD 'use-a-secret-manager';
GRANT CONNECT ON DATABASE analytics TO data_agent_reader;
GRANT USAGE ON SCHEMA reporting TO data_agent_reader;
GRANT SELECT ON ALL TABLES IN SCHEMA reporting TO data_agent_reader;
ALTER ROLE data_agent_reader SET statement_timeout = '8s';در production بهتر است Agent فقط Viewهای گزارشگیری را ببیند. نام مشتری، شماره تماس و داده حساس را پیش از رسیدن به مدل حذف یا Mask کنید.
خروجی ساختاریافته را با کلید محدود آزمایش کنید.
مدلهای فعال را مقایسه کنید و مصرف محیط آزمایش را از production جدا نگه دارید.
جریان اجرای یک سؤال
- کاربر میپرسد «فروش هفتگی نسبت به هفته قبل چقدر تغییر کرده؟»
- Agent معیار و بازه را از Catalog میخواند.
- مدل Query پیشنهادی میسازد.
- Validator فقط SELECT، Schema مجاز و سقف هزینه Query را میپذیرد.
- Runner نتیجه محدود را برمیگرداند.
- مدل پاسخ را همراه با Query، بازه و محدودیت داده توضیح میدهد.
اتصال مدل از API پاستا
برای لایه مدل میتوانید از API هوش مصنوعی پاستا استفاده کنید. کلید Data Agent را فقط به مدلهای لازم محدود کنید و برای محیط توسعه و production کلید جدا بسازید. Structured Output کمک میکند Plan و Query پیشنهادی را پیش از اجرا اعتبارسنجی کنید.
Data Agent و RAG چگونه کنار هم کار میکنند؟
RAG برای تعریف شاخصها، مستندات و متن بدون ساختار مناسب است؛ SQL برای عدد و رکورد ساختاریافته. Agent میتواند ابتدا تعریف «مشتری فعال» را از دانشنامه بازیابی کند و سپس Query را بر همان تعریف بسازد. راهنمای Hybrid Search در RAG مسیر بازیابی متن را پوشش میدهد.
Eval پیشنهادی
مجموعهای از سؤالهای واقعی با SQL مرجع بسازید. صحت عدد، انتخاب جدول، فیلتر زمانی، Citation، زمان اجرا و امتناع در سؤال غیرمجاز را جدا بسنجید. پاسخ روان با عدد اشتباه شکست محسوب میشود.