پرش به محتوای اصلی
هوش مصنوعی
۱ دقیقه مطالعه

الگوی طراحی ایجنت‌های هوش مصنوعی (LLM Agents) متصل به پایگاه داده

چگونه ایجنت‌های پاسخگویی هوشمند را به دیتابیس متصل کنیم تا بدون خطر توهم (Hallucination) به سوالات کاربران پاسخ داده و عملیات تجاری را انجام دهند.

سید محمد بهبهانی‌زاده
توسعه‌دهنده فول‌استک و معمار نرم‌افزار

استفاده از مدل‌های زبانی بزرگ در نرم‌افزارهای تجاری نیازمند حصار امنیتی (Guardrails) و تفکیک لایه‌های تصمیم‌گیری است تا مدل هرگز اطلاعات ساختگی به مشتری ارائه ندهد.

جداسازی استخراج نیت از تولید پاسخ نهایی

یک پایپ‌لاین مطمئن نباید مستقیماً پیام کاربر را به پرامپت نهایی تزریق کند. ابتدا در مرحله اول، نیت کاربر (مثلاً استعلام موجودی یا رهگیری سفارش) تشخیص داده شده و پارامترها به فرمت JSON استخراج می‌شوند. سپس داده واقعی از دیتابیس دریافت شده و در مرحله دوم به مدل فرستاده می‌شود.

نکات کلیدی

  • استخراج هوشمند موجودیت‌ها (Entities) به شکل JSON ساختاریافته.
  • اعتبارسنجی مقادیر با اسکیما پیش از فراخوانی کوئری دیتابیس.
  • پاسخگویی به زبان طبیعی بر پایه فکت‌های دریافت شده از سیستم.

نمونه الگوی فراخوانی ابزار (Tool Calling)

کد نمونه زیر نحوه دریافت وضعیت یک سفارش فرضی از دیتابیس را نشان می‌دهد:

typescript
async function handleUserQuery(query: string) {
  // ۱. تشخیص نیت و استخراج شناسه
  const intent = await extractIntent(query);
  
  if (intent.type === 'CHECK_ORDER_STATUS') {
    // ۲. دریافت اطلاعات معتبر از پایگاه داده
    const orderData = await db.orders.findById(intent.orderId);
    
    // ۳. تولید پاسخ نهایی به زبان طبیعی با دیتای واقعی
    return await generateResponseWithContext(query, orderData);
  }
}

جمع‌بندی

ایجنت‌های کاربردی در محیط عملیاتی، بر پایه ساختار داده‌های دقیق و کوئری‌های کنترل‌شده عمل می‌کنند نه بر پایه حدس‌های احتمالی مدل.

داده و دیتابیسخبر
۴ دقیقه مطالعهtheregister.com

تعویق PostgreSQL 19؛ بازبینی کد با هوش مصنوعی بیش از توان توسعه‌دهندگان باگ یافت

انتشار PostgreSQL 19 به حدود ۱۹ نوامبر عقب افتاد. بازبینی کد با هوش مصنوعی آن‌قدر باگ پیدا کرد که بین ۸ تا ۱۰ قابلیت مهم، از جمله SQL/PGQ، از این نسخه کنار رفت.

خواندن خبر#PostgreSQL