Komuniti kecerdasan buatan sedang menghadapi kenyataan tentang apa yang benar-benar membentuk AI agent berbanding fungsi pemprosesan data tradisional. Penerokaan terkini dalam membina AI agent menggunakan pertanyaan streaming SQL Apache Flink telah mencetuskan perdebatan tentang sama ada industri ini terlalu merumitkan tugas automasi yang mudah.
Perbincangan tertumpu pada pendekatan eksperimen yang menggunakan pertanyaan SQL untuk mencetuskan panggilan model bahasa besar (LLM) apabila data baharu memasuki sistem. Sebagai contoh, apabila kertas penyelidikan dimuat naik ke pangkalan data, pertanyaan SQL secara automatik menjana ringkasan menggunakan model OpenAI dan menghantar amaran ke saluran Slack . Walaupun secara teknikal berfungsi, pendekatan ini telah mendedahkan persoalan asas tentang definisi AI agent dan batasan praktikal.
Komponen Teknikal Utama yang Dibincangkan:
- Apache Flink : Platform pemprosesan aliran untuk pemprosesan data masa nyata
- FLIP-311 : Cadangan penambahbaikan Flink untuk integrasi model ML dalam SQL
- Fungsi ML_PREDICT : Fungsi SQL untuk memanggil model pembelajaran mesin
- Process Table Functions ( PTF ): Fungsi tersuai untuk integrasi logik kompleks
- Model Connector Protocol ( MCP ): Standard untuk mengintegrasikan alat luaran ke dalam aliran kerja AI
Penolakan Komuniti Terhadap Klasifikasi Agent
Pembangun semakin skeptikal tentang melabelkan setiap automasi berkuasa LLM sebagai AI agent. Komuniti teknikal menunjukkan bahawa banyak sistem yang dipasarkan sebagai agent pada dasarnya adalah fungsi canggih dengan tingkah laku yang kurang deterministik daripada peraturan berasaskan kod tradisional. Perbezaan ini penting kerana ia mempengaruhi cara organisasi merancang dan membelanjakan untuk pelaksanaan AI.
Pendekatan streaming SQL berfungsi dengan baik untuk aliran kerja asas seperti pemprosesan dokumen dan pemberitahuan automatik. Walau bagaimanapun, ia bergelut dengan tingkah laku agent yang lebih kompleks seperti pemilihan alat dinamik dan pengurusan memori kontekstual. Batasan ini memerlukan penyelesaian sementara yang dianggap menyusahkan dan tidak produktif oleh ramai pembangun.
Batasan Teknikal Mendedahkan Cabaran Pelaksanaan
Pendekatan agent berasaskan SQL mendedahkan jurang ketara apabila cuba mencapai tingkah laku autonomi sebenar. Walaupun sistem ini dapat mengendalikan pemprosesan data berstruktur dan integrasi LLM asas dengan berkesan, ia gagal dalam bidang yang menentukan AI agent tulen. Pengurusan memori memerlukan fungsi tersuai, dan integrasi alat memerlukan protokol luaran yang tidak disokong secara asli.
Ini terasa dipaksa. Jika anda membaca keseluruhan perkara itu, mereka tidak berjaya membina AI Agent, mereka membuat panggilan API LLM menggunakan SQL Flink .
Komuniti teknikal telah mengenal pasti bahawa pelaksanaan SQL semasa tidak mempunyai fleksibiliti yang diperlukan untuk penemuan tugas rekursif dan aliran kerja yang berkembang sendiri. Tingkah laku agentik sebenar memerlukan iterasi asinkron longgar yang memberikan sistem kebolehsuaian yang sama seperti yang dijangkakan manusia daripada proses penugasan tugas.
Keupayaan Agen Berasaskan SQL:
- ✅ Integrasi LLM melalui fungsi ML_PREDICT
- ✅ Pemprosesan aliran data masa nyata
- ✅ Automasi alir kerja asas
- ✅ Gabungan dan pengayaan data berstruktur
- ❌ Pemilihan alat dinamik tanpa fungsi tersuai
- ❌ Pengurusan memori agen natif
- ❌ Integrasi alat luaran terbina dalam
- ❌ Keupayaan alir kerja yang berkembang sendiri
Industri Bergerak Ke Arah Penyelesaian Tujuan Khusus
Pengiktirafan terhadap batasan ini telah membawa kepada pembangunan runtime AI agent khusus dan bukannya memaksa alat sedia ada ke dalam peranan yang tidak sesuai. Pembangun Apache Flink sedang mengusahakan sub-projek agent berasingan (FLIP-331) yang meninggalkan kekangan SQL memihak kepada kerangka agent tujuan khusus dengan sokongan Python dan integrasi alat asli.
Peralihan ini menunjukkan industri sedang matang melepasi keseronokan awal mengaplikasikan AI kepada setiap sistem sedia ada. Daripada mengubah suai alat pemprosesan data tradisional, pembangun sedang membina platform khusus yang direka khusus untuk tingkah laku agent seperti toleransi kesalahan, pengurusan keadaan, dan komunikasi agent-ke-agent.
Perdebatan ini menyerlahkan trend yang lebih luas dalam pembangunan AI di mana cabaran pelaksanaan praktikal sedang meredakan keghairahan awal. Apabila organisasi memperoleh pengalaman dengan sistem AI, mereka menjadi lebih bijak tentang pendekatan mana yang memberikan nilai tulen berbanding yang hanya menambah kerumitan kepada proses sedia ada.
Rujukan: This Al Agent Should Have Been a SQL Query
 |
|---|
| Perbincangan bermaklumat mengenai evolusi teknologi ejen AI dalam industri |