Память ИИ-агента: SQL и SPARQL отвечают верно в 98% случаев, но SPARQL дороже на 7–145%
Агенту нужна память, и хранить её можно в таблицах (запросы на SQL) или в графе знаний (запросы на SPARQL). Автор задал 15 вопросов по одной статье трём открытым моделям и сделал 405 запусков на каждый язык: верных ответов 97,8% у SQL и 98,5% у SPARQL. Но SPARQL дороже на 7–145%, потому что модели чаще ошибаются в синтаксисе и переспрашивают базу. Если данные уже лежат в таблицах с описанной схемой, начинайте с SQL.
AI-обработка оригинала Habr AI; редакция Hamidun News
Когда агенту нужна память, чтобы не выдумывать ответы, разработчик сталкивается с простым выбором: хранить знания в обычных таблицах и спрашивать их на SQL или собрать граф знаний и спрашивать на SPARQL (это язык запросов к графам, похожий на SQL, но работающий со связями между объектами). Обычно выбор делают по постам в интернете, без замеров. Автор разбора на Хабре решил измерить. Итог такой: оба подхода отвечают верно примерно в 98% случаев, но SPARQL стоит дороже на 7–145% в зависимости от модели, потому что модели чаще ошибаются в его синтаксисе и делают лишние попытки.
Откуда взялся спор
Поводом стало исследование Sequeda и соавторов. В нём GPT-4 отвечал на вопросы по корпоративной SQL-базе верно в 16% случаев, а по графу знаний поверх той же базы в 54%. Но сравнение было нечестным: у графа была онтология (подробное описание, что означает каждый тип объектов и связей), а у SQL-схемы только типы и названия таблиц и колонок. Автор описал обе формы одинаково подробно и проверил заново.
Как устроен эксперимент
Данные из одной статьи про PostgreSQL и ClickHouse нейросеть разложила на сущности, тезисы, замеры, реплики и процессы. Получилось 10 154 квада (записи графа вида «субъект, свойство, значение, граф») в 37 графах. Затем всё это превратили в 34 таблицы PostgreSQL: узел графа стал строкой, свойство стало колонкой. Через отображение R2RML таблицы снова собираются в исходный граф. Описание памяти в системном промпте одинаково для обоих вариантов и занимает 15–17 тысяч токенов.
Агент написан на Java с langchain4j. Он работает циклом «модель, инструменты, модель», не больше 16 вызовов модели и 12 запросов к памяти. Память подключена через MCP-сервер, у агента три инструмента: sql_query, sparql_query и submit_answer для финального ответа с цитатой. База доступна только на чтение, таймаут запроса 5 секунд, ответ обрезается до 200 строк.
Вопросов 15, семи типов: факты, связи, агрегаты, пути по цепочке доводов, споры, цитаты и вопросы без ответа. Проверка идёт правилами, без LLM-судьи. Модели выбраны с открытыми весами: DeepSeek V4.1 Flash, Gemma 4 31B и Qwen 3.8 27B. Каждая комбинация повторялась трижды: 3 модели, 3 условия (только SQL, только SPARQL, оба инструмента), 15 вопросов, 3 повтора, итого 405 прогонов на каждый язык базы. Все прогоны заняли 10 минут.
Результаты: точность равна, счёт разный
На русской базе SQL дал 97,8% верных ответов, SPARQL и режим с выбором из двух инструментов по 98,5%. На английском переводе: 98,5%, 99,3% и 97,8%. DeepSeek ответил верно все 270 раз. Из 13 ошибок Gemma и Qwen 12 пришлись на два вопроса: про цепочки доводов (P1) и про подсчёт диалогов в споре (D3).
Цена отличается заметно. Ошибок базы на один вызов у SPARQL в 2–3 раза больше: 5,9% против 2,8% на русской базе и 7,3% против 2,5% на английской. Запуск дорожает у всех: у DeepSeek на 11–25%, у Gemma на 7–10%, у Qwen на 63–145%. Зато агенты хорошо исправляются сами: из 134 прогонов, где база вернула ошибку, 129 закончились верным ответом. Модель читает текст ошибки и переписывает запрос.
Отдельный урок касается кэша промпта. За прогон агент обращается к модели 4–7 раз и каждый раз заново отправляет те же 15–17 тысяч токенов. DeepInfra кэширует DeepSeek (97% входных токенов берутся из кэша) и не кэширует Gemma. Поэтому Gemma с теми же ответами обходится в 25–27 раз дороже: $0,0234 за прогон против $0,0009 у DeepSeek. Qwen стоит $0,0077 за прогон на русской базе. Медианное время ответа на русской базе: 13 секунд у DeepSeek, 38 у Qwen и 57 у Gemma.
Что делать на практике
Если данные уже лежат в реляционной базе и схема описана, SQL даёт ту же точность дешевле. Граф стоит брать там, где важны связи и непонятно, какую таблицу открывать. Провайдер с кэшем промпта влияет на счёт сильнее, чем выбор языка запросов. И раз агент сам чинит ошибки, возвращайте ему текст ошибки базы, а не обрывайте работу.
Ограничения честные: одна статья, 15 вопросов, один автор. Модели вызывались через OpenRouter, а не локально, потому что на ноутбуке даже 27B-модель в 4-битной квантизации не прогнать за разумное время. Формат проверки и промпты автор правил в ходе работы: например, добавил префиксы SPARQL по умолчанию. Поэтому цифры стоит считать ориентиром, а метод замера можно повторить на своих данных. Цены в статье приведены на 27 октября 2026 года.
- 21 нояб. 2026 г.Китайские техногиганты удвоили траты на ИИ до $139 млрд, а лаборатории окупают меньше 8%
- 21 нояб. 2026 г.Агент Skein стирает старые этапы из контекста: 97% удачных запусков, но дороже OpenCode
- 21 нояб. 2026 г.Движок SGLang с ядрами Humming ускорил первый токен на 7–23%, вывод — на 17–34%
- 21 нояб. 2026 г.Открытая Inkling 2 Mini на 16 ГБ памяти догнала Qwen3.8-27B в независимом рейтинге
Вопросы и ответы по материалу
Что известно по теме: откуда взялся спор?
Поводом стало исследование Sequeda и соавторов. В нём GPT-4 отвечал на вопросы по корпоративной SQL-базе верно в 16% случаев, а по графу знаний поверх той же базы в 54%. Но сравнение было нечестным: у графа была онтология (подробное описание, что означает каждый тип объектов и связей), а у SQL-схемы только типы и названия таблиц и колонок. Автор описал обе формы одинаково подробно и проверил заново.
Что известно по теме: как устроен эксперимент?
Данные из одной статьи про PostgreSQL и ClickHouse нейросеть разложила на сущности, тезисы, замеры, реплики и процессы. Получилось 10 154 квада (записи графа вида «субъект, свойство, значение, граф») в 37 графах. Затем всё это превратили в 34 таблицы PostgreSQL: узел графа стал строкой, свойство стало колонкой. Через отображение R2RML таблицы снова собираются в исходный граф. Описание памяти в системном промпте одинаково для обоих вариантов и занимает 15–17 тысяч токенов. Агент написан на Java с langchain4j.
Что известно по теме: результаты: точность равна, счёт разный?
На русской базе SQL дал 97,8% верных ответов, SPARQL и режим с выбором из двух инструментов по 98,5%. На английском переводе: 98,5%, 99,3% и 97,8%. DeepSeek ответил верно все 270 раз. Из 13 ошибок Gemma и Qwen 12 пришлись на два вопроса: про цепочки доводов (P1) и про подсчёт диалогов в споре (D3). Цена отличается заметно. Ошибок базы на один вызов у SPARQL в 2–3 раза больше: 5,9% против 2,8% на русской базе и 7,3% против 2,5% на английской.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.