ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

ذاكرة وكيل الذكاء الاصطناعي: SQL وSPARQL يجيبان بدقة في 98% من الحالات، لكن SPARQL أغلى بنسبة 7–145%

يحتاج الوكيل إلى ذاكرة، ويمكن حفظها في جداول (استعلاماتها بلغة SQL) أو في رسم معرفي (استعلاماته بلغة SPARQL). طرح المؤلف 15 سؤالًا عن مقالة واحدة على ثلاثة نماذج مفتوحة، ونفّذ 405 عمليات تشغيل لكل لغة: بلغت نسبة الإجابات الصحيحة 97,8% مع SQL و98,5% مع SPARQL. لكن SPARQL أغلى بنسبة 7–145%، لأن النماذج تخطئ في صياغته أكثر وتعيد الاستعلام من قاعدة البيانات مرارًا. إذا كانت بياناتك مخزنة أصلًا في جداول ذات مخطط موصوف، فابدأ بـSQL.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
ذاكرة وكيل الذكاء الاصطناعي: SQL وSPARQL يجيبان بدقة في 98% من الحالات، لكن SPARQL أغلى بنسبة 7–145%
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1أجاب DeepSeek إجابة صحيحة في جميع عمليات التشغيل البالغ عددها 270، بتكلفة 0,0009 دولار لكل تشغيل
حقيقة رئيسية #2كلفة Gemma دون تخزين مؤقت للموجّه (prompt cache) أعلى من DeepSeek بمقدار 25–27 ضعفًا مع الإجابات نفسها
حقيقة رئيسية #3من أصل 134 تشغيلًا ظهر فيها خطأ من قاعدة البيانات، أصلح الوكيل بنفسه 129 حالة

عندما يحتاج الوكيل إلى ذاكرة كي لا يختلق الإجابات، يواجه المطوّر خيارًا بسيطًا: إما حفظ المعرفة في جداول عادية والاستعلام عنها بلغة SQL، وإما بناء رسم معرفي (knowledge graph) والاستعلام عنه بلغة SPARQL (وهي لغة استعلام للرسوم المعرفية، تشبه SQL لكنها تتعامل مع الروابط بين الكيانات). وغالبًا ما يُحسم الاختيار بناءً على منشورات على الإنترنت، دون قياسات. قرّر كاتب التحليل المنشور على Habr أن يقيس بنفسه. والنتيجة: كلا النهجين يجيب إجابة صحيحة في نحو 98% من الحالات، لكن SPARQL أغلى بنسبة 7–145% بحسب النموذج، لأن النماذج تخطئ في صياغته أكثر وتجري محاولات إضافية.

من أين جاء الخلاف

كان الدافع دراسة Sequeda وزملائه. ففيها أجاب GPT-4 عن أسئلة حول قاعدة SQL مؤسسية إجابة صحيحة في 16% من الحالات، وفي 54% عند الاستعلام عن رسم معرفي مبني فوق القاعدة نفسها. لكن المقارنة لم تكن عادلة: فللرسم المعرفي أنطولوجيا (وصف تفصيلي لمعنى كل نوع من الكيانات والروابط)، أما مخطط SQL فلم يتضمن سوى أنواع البيانات وأسماء الجداول والأعمدة. وصف المؤلف الشكلين بالتفصيل نفسه وأعاد الاختبار.

كيف صُمّمت التجربة

فكّكت شبكة عصبية بيانات مقالة واحدة عن PostgreSQL وClickHouse إلى كيانات وأطروحات وقياسات وردود وعمليات. وكانت الحصيلة 10 154 رباعية (quads، وهي سجلات في الرسم المعرفي بصيغة «الفاعل، الخاصية، القيمة، الرسم») في 37 رسمًا. ثم حُوّل كل ذلك إلى 34 جدولًا في PostgreSQL: صارت عقدة الرسم صفًا، وصارت الخاصية عمودًا. وعبر مواءمة R2RML يمكن تجميع الجداول من جديد في الرسم الأصلي. ووصف الذاكرة في موجّه النظام (system prompt) واحد في الخيارين، ويشغل 15–17 ألف رمز (token).

كُتب الوكيل بلغة Java باستخدام langchain4j. يعمل بدورة «نموذج، أدوات، نموذج»، بما لا يزيد على 16 استدعاءً للنموذج و12 استعلامًا إلى الذاكرة. وترتبط الذاكرة بخادم MCP، وللوكيل ثلاث أدوات: sql_query وsparql_query وsubmit_answer لتقديم الإجابة النهائية مع اقتباس. قاعدة البيانات متاحة للقراءة فقط، ومهلة الاستعلام 5 ثوانٍ، وتُقتطع النتيجة عند 200 صف.

بلغ عدد الأسئلة 15، من سبعة أنواع: وقائع، وروابط، وتجميعات، ومسارات عبر سلسلة حجج، ونزاعات، واقتباسات، وأسئلة لا جواب لها. ويجري التحقق بقواعد محددة، دون LLM يعمل كحَكَم. واختيرت نماذج مفتوحة الأوزان: DeepSeek V4.1 Flash وGemma 4 31B وQwen 3.8 27B. وكُرّر كل تركيب ثلاث مرات: 3 نماذج، و3 شروط (SQL فقط، وSPARQL فقط، والأداتان معًا)، و15 سؤالًا، و3 تكرارات، فكان المجموع 405 عمليات تشغيل لكل لغة قاعدة بيانات. واستغرقت جميع عمليات التشغيل 10 دقائق.

النتائج: الدقة متساوية والفاتورة مختلفة

على القاعدة الروسية أعطى SQL نسبة 97,8% من الإجابات الصحيحة، وأعطى SPARQL ونمط الاختيار بين الأداتين 98,5% لكل منهما. وعلى الترجمة الإنجليزية: 98,5% و99,3% و97,8%. وأجاب DeepSeek إجابة صحيحة في جميع المرات البالغ عددها 270. ومن أصل 13 خطأً ارتكبهما Gemma وQwen، وقع 12 خطأً في سؤالين: عن سلاسل الحجج (P1) وعن عدّ الحوارات في نزاع (D3).

أما الكلفة فتختلف بوضوح. فنسبة أخطاء قاعدة البيانات لكل استدعاء أعلى في SPARQL بمقدار 2–3 أضعاف: 5,9% مقابل 2,8% على القاعدة الروسية، و7,3% مقابل 2,5% على الإنجليزية. ويصبح التشغيل أغلى لدى الجميع: بنسبة 11–25% لدى DeepSeek، و7–10% لدى Gemma، و63–145% لدى Qwen. لكن الوكلاء يصلحون أخطاءهم بأنفسهم جيدًا: فمن أصل 134 تشغيلًا أعادت فيها القاعدة خطأً، انتهى 129 بإجابة صحيحة. إذ يقرأ النموذج نص الخطأ ويعيد كتابة الاستعلام.

ويتعلق درس منفصل بالتخزين المؤقت للموجّه. ففي كل تشغيل يتصل الوكيل بالنموذج 4–7 مرات، ويعيد في كل مرة إرسال الرموز نفسها البالغ عددها 15–17 ألفًا. تخزّن DeepInfra مؤقتًا بيانات DeepSeek (97% من رموز الإدخال تؤخذ من الذاكرة المؤقتة)، ولا تخزّن بيانات Gemma. ولذلك تكلّف Gemma، بالإجابات نفسها، أكثر بمقدار 25–27 ضعفًا: 0,0234 دولار لكل تشغيل مقابل 0,0009 دولار لدى DeepSeek. وتبلغ كلفة Qwen 0,0077 دولار لكل تشغيل على القاعدة الروسية. وزمن الاستجابة الوسيط على القاعدة الروسية: 13 ثانية لدى DeepSeek، و38 لدى Qwen، و57 لدى Gemma.

ماذا نفعل عمليًا

إذا كانت البيانات مخزنة أصلًا في قاعدة علائقية ومخططها موصوف، يحقق SQL الدقة نفسها بكلفة أقل. ويُستحسن اللجوء إلى الرسم المعرفي حين تكون الروابط مهمة ولا يتضح أي جدول ينبغي فتحه. ويؤثر مزوّد الخدمة الذي يوفر التخزين المؤقت للموجّه في الفاتورة أكثر مما تؤثر لغة الاستعلام المختارة. وبما أن الوكيل يصلح أخطاءه بنفسه، فأعِد إليه نص خطأ قاعدة البيانات ولا توقف عمله.

والقيود صريحة: مقالة واحدة، و15 سؤالًا، ومؤلف واحد. واستُدعيت النماذج عبر OpenRouter لا محليًا، لأن حتى نموذجًا بحجم 27B بتكميم 4-بت (4-bit quantization) لا يمكن تشغيله على حاسوب محمول في وقت معقول. وعدّل المؤلف صيغة التحقق والموجّهات أثناء العمل، فأضاف مثلًا بادئات SPARQL الافتراضية. لذلك ينبغي النظر إلى الأرقام بوصفها مؤشرًا تقريبيًا، أما منهجية القياس فيمكن تكرارها على بياناتك الخاصة. والأسعار الواردة في المقالة محسوبة بحسب 27 أكتوبر 2026.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول من أين جاء الخلاف؟

كان الدافع دراسة Sequeda وزملائه. ففيها أجاب GPT-4 عن أسئلة حول قاعدة SQL مؤسسية إجابة صحيحة في 16% من الحالات، وفي 54% عند الاستعلام عن رسم معرفي مبني فوق القاعدة نفسها. لكن المقارنة لم تكن عادلة: فللرسم المعرفي أنطولوجيا (وصف تفصيلي لمعنى كل نوع من الكيانات والروابط)، أما مخطط SQL فلم يتضمن سوى أنواع البيانات وأسماء الجداول والأعمدة. وصف المؤلف الشكلين بالتفصيل نفسه وأعاد الاختبار.

ما أبرز التفاصيل حول كيف صُمّمت التجربة؟

فكّكت شبكة عصبية بيانات مقالة واحدة عن PostgreSQL وClickHouse إلى كيانات وأطروحات وقياسات وردود وعمليات. وكانت الحصيلة 10 154 رباعية (quads، وهي سجلات في الرسم المعرفي بصيغة «الفاعل، الخاصية، القيمة، الرسم») في 37 رسمًا. ثم حُوّل كل ذلك إلى 34 جدولًا في PostgreSQL: صارت عقدة الرسم صفًا، وصارت الخاصية عمودًا. وعبر مواءمة R2RML يمكن تجميع الجداول من جديد في الرسم الأصلي. ووصف الذاكرة في موجّه النظام (system prompt) واحد في الخيارين، ويشغل 15–17 ألف رمز (token). كُتب الوكيل بلغة Java باستخدام langchain4j.

ما أبرز التفاصيل حول النتائج: الدقة متساوية والفاتورة مختلفة؟

على القاعدة الروسية أعطى SQL نسبة 97,8% من الإجابات الصحيحة، وأعطى SPARQL ونمط الاختيار بين الأداتين 98,5% لكل منهما. وعلى الترجمة الإنجليزية: 98,5% و99,3% و97,8%. وأجاب DeepSeek إجابة صحيحة في جميع المرات البالغ عددها 270. ومن أصل 13 خطأً ارتكبهما Gemma وQwen، وقع 12 خطأً في سؤالين: عن سلاسل الحجج (P1) وعن عدّ الحوارات في نزاع (D3). أما الكلفة فتختلف بوضوح. فنسبة أخطاء قاعدة البيانات لكل استدعاء أعلى في SPARQL بمقدار 2–3 أضعاف: 5,9% مقابل 2,8% على القاعدة الروسية، و7,3% مقابل 2,5% على الإنجليزية.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…