جدول المحتويات
تحويل النص إلى SQL (text-to-SQL) يتيح لنموذج لغوي أن يحوّل سؤالًا مكتوبًا باللغة العادية إلى استعلام SQL، وينفّذه، ويعيد النتيجة. وعلى قاعدة بيانات إنتاج، يصبح ذلك ممكنًا عندما يستعلم النموذج طرق عرض مُعدّة للقراءة فقط على نسخة متماثلة، بحساب خاص به ومقيّد، مع عرض الاستعلام للمستخدم واختباره مسبقًا على إجابات معروفة.
أهم النقاط
- تبالغ نتائج المقاييس المعيارية في تقدير الدقة الفعلية. فوكيل مبني على o1-preview لم يحل سوى 21.3% من مهام المؤسسات في Spider 2.0، ويقارن مؤلفوه هذه النسبة بـ 91.2% على مقياس Spider الأصلي (Lei et al., 2024).
- تكمن الصعوبة في مخططات قواعد بيانات الإنتاج: مئات الجداول، وأسماء أعمدة مختصرة، ومصطلحات عمل ملتبسة، ورموز لا يفهمها إلا الخبراء (Floratou et al., 2024).
- يجب التعامل مع استعلام SQL المولَّد على أنه مدخل غير موثوق. إذ تذكر OWASP استعلامات SQL التي يولّدها LLM دون تدقيق مثالًا على المعالجة غير السليمة للمخرجات، وتوصي بمعاملة النموذج كأي مستخدم آخر (OWASP LLM05:2025).
- يمنع الوصول للقراءة فقط هجمات الكتابة، لكنه لا يمنع كل شيء: فالتعليمات المخزنة في الحقول النصية لقاعدة البيانات قد تضلل النموذج (Pedro et al., 2025).
- اعرضوا الاستعلام مع كل إجابة، واختبروا النظام على أسئلة حقيقية ذات إجابات معروفة قبل أن يعتمد أحد على الأرقام.
ما هو تحويل النص إلى SQL؟
يأخذ نظام تحويل النص إلى SQL سؤالًا مثل: «كم أمر عمل تصحيحي فتحنا على مضخات التغذية في الربع الماضي؟»، ويعطي النموذج اللغوي السؤال مع وصف للجداول المعنية، فيتلقى استعلام SQL، وينفّذه، ويعيد النتيجة، غالبًا في شكل جدول أو رسم بياني.
في المصنع، تتمثل قواعد البيانات المفيدة في نظام إدارة الصيانة (CMMS)، ونظام LIMS، وتقارير الإنتاج والورديات، والمخزون، والمشتريات. ومعظم العاملين لا يعرفون كتابة SQL عليها، ونادرًا ما تغطي التقارير الموجودة الأسئلة التي يطرحونها.
وبمفردات مقالنا عن الفرق بين Chatbot وCopilot ووكيل الذكاء الاصطناعي، فإن مساعد تحويل النص إلى SQL هو Chatbot يملك أداة واحدة: يقرأ البيانات ولا يغيّر شيئًا. والحفاظ عليه في هذا الدور هو الجزء الأكبر من عمل التأمين.
ما مدى دقة تحويل النص إلى SQL اليوم؟
تُقاس الدقة عادة بدقة التنفيذ: يُنفَّذ الاستعلام المولَّد وتُقارن نتيجته بنتيجة استعلام مرجعي. وتُظهر ثلاثة مقاييس معيارية عامة مدى ارتباط النتيجة بقاعدة البيانات.
| المقياس المعياري | محتواه | النتيجة المنشورة |
|---|---|---|
| Spider (2018) | 10,181 سؤالًا، و5,693 استعلام SQL، و200 قاعدة بيانات في 138 مجالًا (Yu et al.) | 91.2%، وهو الرقم الذي يستشهد به مؤلفو Spider 2.0 للمقارنة (Lei et al.) |
| BIRD (2023) | 12,751 زوجًا من الأسئلة واستعلامات SQL، و95 قاعدة بيانات، و33.4 غيغابايت، و37 مجالًا مهنيًا (Li et al.) | 40.08% لـ ChatGPT عند النشر، مقابل 92.96% للبشر؛ وأفضل مشاركة في لوحة الترتيب 83.40% على مجموعة الاختبار (لوحة ترتيب BIRD، اطُّلع عليها في نوفمبر 2026) |
| Spider 2.0 (2024) | 632 مهمة من سير عمل المؤسسات، على قواعد بيانات تتجاوز أعمدتها في الغالب 1,000 عمود، في أنظمة مثل BigQuery وSnowflake (Lei et al.) | 21.3% لوكيل مبني على o1-preview، عند النشر |
ملاحظتان للحذر. المشاركات الأولى في لوحة ترتيب BIRD مُعلَّمة بأنها تستخدم «المعرفة المرجعية» (oracle knowledge)، أي التلميحات التي يوفرها المقياس لربط الأسئلة بقيم قاعدة البيانات، ولن يقدّم مستخدموكم مثل هذه التلميحات. كما أن هذه قواعد بيانات عامة موثقة جيدًا. وقد تكون النتائج على مخططكم أدنى، ولن يكشف ذلك إلا اختباركم الخاص.
لماذا تكون قواعد بيانات الإنتاج أصعب من المقاييس المعيارية؟
حجم المخطط والتسمية. يصف Floratou وزملاؤه، من Microsoft ومن شركة ناشئة متخصصة في تحويل النص إلى SQL، مستودع بيانات مالية داخليًا يضم 632 جدولًا وأكثر من 4,000 عمود و200 طريقة عرض، بأسماء مختصرة ومصطلحات خاصة لا يفهمها إلا خبراء المجال (Floratou et al., 2024). وأنظمة ERP وأنظمة الصيانة تشبه ذلك. وتجد الورقة نفسها أن الاكتفاء بتزويد النموذج بالجداول والأعمدة ذات الصلة يحسّن الدقة، حتى عندما يتسع الـ prompt للمخطط كاملًا.
الغموض. عندما راجع المؤلفون أسئلة مقياس KaggleDBQA البالغ عددها 272 سؤالًا، تبيّن أن 112 منها، أي 41.1%، غامضة، ولم يتفق المُعلِّقان البشريان على تحديدها إلا في نحو 62% من الحالات. وفي المصنع، قد تعني عبارة «إنتاج الشهر الماضي» الإنتاج الإجمالي أو الصافي، بالأطنان أو بالأمتار المكعبة، الشهر التقويمي أو المحاسبي، خطًا واحدًا أو الموقع كله.
أسئلة لا تستطيع قاعدة البيانات الإجابة عنها. لا يعرف المستخدمون معنى كل عمود. وفي مثال الورقة، يحتوي عمود year على سنة صدور أول ألبوم لمغنٍّ، لكن النموذج يستخدمه في التصفية للإجابة عن سؤال حول سنة الوفاة. وفي الدراسة نفسها، وأمام أسئلة لا تستطيع قاعدة البيانات الإجابة عنها، كتب GPT-3.5 رغم ذلك استعلامًا لـ 40% منها، غالبًا بأسماء جداول وأعمدة مختلَقة، بينما تعرّف GPT-4 عليها جميعًا.
القيم غير النظيفة والمعرفة الضمنية. يشير مؤلفو BIRD إلى محتويات قواعد البيانات غير النظيفة، والمعرفة الخارجية اللازمة لربط الأسئلة بالقيم، وكفاءة الاستعلامات على قواعد البيانات الضخمة (Li et al., 2023). وبيانات المصانع تجمع الثلاثة: رموز الحالة، وترميز المعدات المكتوب بثلاث طرق، ووحدات القياس التي تختلف من جدول إلى آخر.
كيف تبدو البنية الآمنة؟
يعرض دليل LangChain لوكيل SQL المشكلة بوضوح: الإجابة عن الأسئلة على قاعدة بيانات تتطلب تنفيذ استعلامات SQL يولّدها النموذج، والصلاحيات الضيقة تخفف المخاطر لكنها لا تلغيها، وقد يكون من الحكمة التحقق من الاستعلامات قبل تنفيذها. وتتكون البنية العملية من سبع طبقات.
- الاستعلام على نسخة، لا على القاعدة الرئيسية. شغّلوا المساعد على نسخة متماثلة للقراءة أو قاعدة بيانات للتقارير. فعلى سبيل المثال، يتيح SQL Server نقل أعباء التقارير والتحليلات إلى نسخ متماثلة للقراءة فقط لتحرير موارد القاعدة الرئيسية (Microsoft Learn). وبذلك لا يستطيع استعلام سيئ أن يبطئ النظام الذي يستخدمه المخططون والمشغلون.
- منحه حسابًا خاصًا به، يقتصر على طرق عرض مُعدّة. مثال OWASP لامتداد يتصل بقاعدة بيانات هو ألا يكون له وصول إلى الجداول الأخرى، ولا قدرة على إدراج السجلات أو تحديثها أو حذفها، على أن تفرض ذلك صلاحيات قاعدة البيانات (OWASP LLM06:2025). والأدوار الواسعة تتجاوز الحاجة: فدور
pg_read_all_dataفي PostgreSQL يقرأ جميع الجداول وطرق العرض والمتتاليات (وثائق PostgreSQL). - تصفية الصفوف حسب المستخدم. إذا اختلفت صلاحيات المستخدمين، فيجب أن تفرضها قاعدة البيانات. إذ تقيّد سياسات الأمان على مستوى الصفوف في PostgreSQL، لكل مستخدم على حدة، الصفوف التي يمكن أن يعيدها الاستعلام، ويتجاوزها المستخدمون الخارقون والأدوار التي تملك
BYPASSRLS، وكذلك مالكو الجداول في العادة (وثائق PostgreSQL). - التحقق قبل التنفيذ. حلّلوا الاستعلام، ولا تقبلوا إلا تعليمة
SELECTواحدة على طرق عرض مسموح بها، وأضيفوا حدًا لعدد الصفوف. وتوصي OWASP بمعاملة النموذج كأي مستخدم آخر وفق نهج «انعدام الثقة» (zero trust) (OWASP LLM05:2025). - تحديد مهلة قصوى لدور المساعد. يُنهي إعداد
statement_timeoutفي PostgreSQL أي تعليمة تتجاوز الحد، وتنصح الوثائق بعدم ضبطه فيpostgresql.confلأنه سيؤثر في جميع الجلسات (وثائق PostgreSQL). ولاحظوا أنdefault_transaction_read_onlyلا يحدد إلا قيمة افتراضية، أما الضبط الحقيقي فهو الصلاحيات. - عرض الاستعلام وطرق العرض المستخدمة مع كل إجابة. فيستطيع صاحب السؤال، أو المسؤول عن البيانات، أن يلاحظ أي تصفية خاطئة. وكل إجراء يتجاوز القراءة، مثل تصدير النتائج أو إرسالها، ينتظر الموافقة، كما هو موضح في مقال الإنسان في الحلقة لوكلاء الذكاء الاصطناعي.
- تسجيل السؤال والاستعلام والمستخدم وعدد الصفوف. ويبيّن دليلنا حول تأمين LLM داخل المنشأة ما يجب تسجيله أيضًا وكيفية حماية السجل.
إذا احتوت طرق العرض على بيانات شخصية، مثل أسماء الفنيين أو أرقامهم الوظيفية، فإن القانون الجزائري 18-07 ينطبق. ووفقًا لـ دليل CMS، تفرض المادة 38 منه تدابير أمنية تتناسب مع المخاطر، ويضيف القانون 25-11 المؤرخ في 24 يوليو 2025 سجلًا آليًا لعمليات المعالجة والإخطار بانتهاكات البيانات في أجل خمسة أيام. تأكدوا مع مستشاركم القانوني من كيفية انطباق هذه الأحكام على نظامكم.
هل يمنع الوصول للقراءة فقط حقن التعليمات؟
جزئيًا. اختبر Pedro وزملاؤه ما يسمونه حقن التعليمات المؤدي إلى SQL (prompt-to-SQL) على تطبيقات مبنية بـ LangChain، ونجحت الهجمات على النماذج اللغوية السبعة التي قيّموها (Pedro et al., 2025). وقد منع حصرُ المساعد في SELECT هجماتِ الكتابة. لكن الصلاحيات على مستوى الجداول توفر حماية خشنة، تترك السجلات الحساسة في الجداول المسموح بها مكشوفة.
وتعرض الورقة أيضًا هجمات غير مباشرة. يكتب مستخدم خارجي تعليمة في وصف عرض عمل، وعندما يسأل شخص آخر لاحقًا عن عروض العمل، يقرأ النموذج ذلك النص ويعطي إجابة خاطئة. وفي المصنع، الحقول المماثلة هي ملاحظات أوامر العمل، وأسماء الموردين، وملاحظات المختبر، وكل ما يكتبه المقاولون من الباطن.
وتنبثق الاستجابات من ذلك:
| الخطر | مثال | وسيلة الضبط |
|---|---|---|
| الكتابة أو الحذف عبر الاستعلام المولَّد | يطلب مستخدم من المساعد «تنظيف» السجلات القديمة | حساب يقتصر على SELECT على طرق العرض؛ التحقق من الاستعلامات |
| قراءة صفوف لا يحق للمستخدم رؤيتها | يسأل مخطط عن الرواتب مقرونة بأوامر العمل | طرق عرض دون أعمدة حساسة؛ الأمان على مستوى الصفوف |
| تعليمات مخفية في البيانات | حقل ملاحظات يتضمن «تجاهل التعليمات السابقة» | استبعاد أعمدة النص الحر التي لا يحتاجها السؤال؛ معاملة النص المسترجَع على أنه بيانات |
| استعلام مكلف على نظام قيد التشغيل | ربط بين جداول يغطي سنوات من السجل التاريخي وقت تبديل الوردية | نسخة متماثلة؛ مهلة قصوى للتنفيذ؛ حد لعدد الصفوف |
| رقم معقول لكنه خاطئ | جمع «الإنتاج» عبر وحدات قياس مختلفة | عرض الاستعلام مع الإجابة؛ مجموعة أسئلة مختبَرة |
ويتناول مقال تأمين LLM داخل المنشأة الدفاعات الأوسع ضد حقن التعليمات.
كيف نزوّد النموذج بسياق العمل؟
نادرًا ما يحمل المخطط الخام المعنى. فوثائق Snowflake لخدمتها الخاصة بتحويل النص إلى SQL تذكر أن حلول الذكاء الاصطناعي العامة كثيرًا ما تتعثر في هذا التحويل عندما لا يُعطى لها سوى مخطط قاعدة البيانات، لأن المخططات تفتقر إلى تعريفات العمل والمؤشرات، وتضيف طرق العرض الدلالية لديها الأوصاف والمرادفات والمؤشرات ومسارات الربط المحددة مسبقًا (وثائق Snowflake).
ويمكنكم فعل الشيء نفسه على خوادمكم:
- طرق عرض بأسماء واضحة، واحدة لكل كيان عمل: أوامر العمل المغلقة، ونتائج المختبر لكل نقطة أخذ عينات، والإنتاج اليومي لكل خط.
- أوصاف للأعمدة مع وحدات القياس، ومعنى كل رمز حالة.
- مسرد لمصطلحات المصنع ومرادفاتها باللغات التي يستخدمها العاملون. ويُعدّ مسرد الذكاء الاصطناعي الصناعي لدينا نقطة انطلاق للجانب المتعلق بالذكاء الاصطناعي.
- أمثلة محلولة: بضع عشرات من الأسئلة الحقيقية مع استعلاماتها الصحيحة، يكتبها شخص يعرف البيانات.
هذا الإعداد هو الجزء الأكبر من الجهد، ومسؤوليته تقع على المسؤولين عن البيانات، لا على قسم المعلوماتية وحده.
كيف نختبره قبل أن يعتمد عليه الناس؟
اجمعوا أسئلة حقيقية من المخططين والعاملين في المختبر ومهندسي الإنتاج، واطلبوا من المسؤول عن البيانات كتابة الاستعلام المرجعي لكل سؤال. وقيّموا بمقارنة النتائج، لا نصوص الاستعلامات. وأدرجوا أسئلة غامضة، يكون السلوك الصحيح فيها أن يسأل النظام عن الوحدة أو الفترة المقصودة، وأسئلة لا تستطيع قاعدة البيانات الإجابة عنها، يكون السلوك الصحيح فيها أن يقول ذلك. وأعيدوا تشغيل مجموعة الاختبار بعد كل تحديث للنموذج وكل تغيير في المخطط. ويتناول دليلنا حول تقييم LLM على وثائقكم حجم مجموعة الاختبار وطريقة التقييم.
تحويل النص إلى SQL يكمّل البحث في الوثائق ولا يحل محله. فالأسئلة عن الأعداد والمجاميع والاتجاهات تحتاج إلى SQL، أما الأسئلة عن الإجراءات فتحتاج إلى تقنية RAG على أدلة الصيانة.
ما لاحظناه في KABAS AI
يتيح DALILE طرح الأسئلة باللغة العادية ويتولى استعلامات SQL، ويتصل بقواعد بيانات SQL وبأنظمة SAP وOracle وLIMS، ويعمل على خوادم العميل. وكل اتصال جديد بقاعدة بيانات يطرح الأسئلة الواردة في هذا المقال، لذلك نوصي بثلاث خطوات قبل أي مشروع تجريبي:
- البدء بقاعدة بيانات واحدة وقائمة قصيرة من طرق العرض يُتفق عليها مع المسؤول عنها، بدل المخطط كاملًا.
- كتابة أسئلة الاختبار قبل الربط، مع الأشخاص الذين سيستخدمونه، بما فيها الأسئلة الغامضة.
- تحديد من يتحقق من الاستعلام بالنسبة إلى الأرقام التي تُبنى عليها قرارات أو تقارير.
يحدد فريق الذكاء الاصطناعي الوكيلي لدينا نطاق المساعدين وأدواتهم، ويمكن لـ فريق علوم البيانات المساعدة في إعداد البيانات التي تعتمد عليها طرق العرض وتوثيقها.
المصادر
- Lei et al., Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows, arXiv 2411.07763, 2024
- Yu et al., Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task, arXiv 1809.08887, 2018
- Li et al., Can LLM Already Serve as A Database Interface? A BIg Bench for Large-Scale Database Grounded Text-to-SQLs (BIRD), arXiv 2305.03111, 2023
- BIRD-SQL leaderboard
- Floratou et al., NL2SQL is a solved problem... Not!, CIDR 2024
- Pedro et al., From Prompt Injections to SQL Injection Attacks: How Protected is Your LLM-Integrated Web Application?, arXiv 2308.01990, ICSE 2025
- OWASP GenAI Security Project, LLM05:2025 Improper Output Handling
- OWASP GenAI Security Project, LLM06:2025 Excessive Agency
- LangChain documentation, Build a SQL agent
- Snowflake documentation, Cortex Analyst
- PostgreSQL documentation, Row Security Policies
- PostgreSQL documentation, Predefined Roles
- PostgreSQL documentation, Client Connection Defaults
- Microsoft Learn, Use read-scale with availability groups
- CMS Expert Guide to data protection and cyber security laws: Algeria
الأسئلة الشائعة
هل يمكن ربط LLM بأمان بنظام ERP أو بنظام إدارة الصيانة لدينا في بيئة الإنتاج؟
ليس مباشرة. اجعلوه يعمل على نسخة متماثلة للقراءة أو قاعدة بيانات للتقارير، وامنحوه حسابًا خاصًا به في قاعدة البيانات لا يتيح له سوى قراءة مجموعة من طرق العرض المُعدّة، وحدّدوا مهلة قصوى لتنفيذ الاستعلامات. وتعاملوا مع كل استعلام مولَّد على أنه مدخل غير موثوق، وتحققوا منه قبل تنفيذه، وسجّلوا السؤال والاستعلام والمستخدم.
هل يكفي حساب للقراءة فقط لتأمين تحويل النص إلى SQL؟
إنه يمنع أسوأ الحالات، أي أن يدفع مهاجمٌ النموذجَ إلى تعديل البيانات أو حذفها. لكنه لا يمنع النموذج من قراءة صفوف لا يحق للمستخدم رؤيتها، ولا من أن تضلله تعليمات مخفية في حقول نصية حرة مثل الملاحظات. لذلك تبقى طرق العرض المحدودة والأمان على مستوى الصفوف ومعاملة النص المسترجَع على أنه بيانات فقط أمورًا ضرورية.
ما الفرق بين تحويل النص إلى SQL وتقنية RAG؟
تسترجع تقنية RAG مقاطع من الوثائق، مثل الأدلة والإجراءات، ثم يكتب النموذج إجابة انطلاقًا منها. أما تحويل النص إلى SQL فيكتب استعلامًا على جداول منظمة، مثل أوامر العمل أو نتائج المختبر أو أرقام الإنتاج، وتكون الإجابة هي نتيجة الاستعلام. فالأسئلة عن الأعداد والمجاميع والاتجاهات والقوائم تحتاج عادة إلى SQL، أما الأسئلة عن كيفية القيام بشيء ما فتحتاج إلى الوثائق.
هل يمكن لتحويل النص إلى SQL أن يحل محل لوحات المتابعة والتقارير لدينا؟
لا. تبقى لوحات المتابعة والتقارير المعتمدة المرجع للأرقام الدورية مثل الإنتاج الشهري أو مؤشرات الأداء KPI. ويفيد تحويل النص إلى SQL في الأسئلة العارضة التي لم يُعدّ لها أحد تقريرًا. وعندما يعطي رقمًا مهمًا، قارنوه بالتقرير الرسمي أو اطلبوا من المسؤول عن البيانات التحقق من الاستعلام.
كيف نعرف أن استعلام SQL المولَّد صحيح؟
اعرضوا الاستعلام والجداول التي استخدمها بجانب كل إجابة، حتى يتمكن شخص يعرف البيانات من التحقق منه. وقبل التشغيل الفعلي، اختبروا النظام على مجموعة من الأسئلة الحقيقية ذات الإجابات المعروفة، بما فيها أسئلة غامضة وأسئلة لا تستطيع قاعدة البيانات الإجابة عنها، وأعيدوا الاختبار بعد كل تغيير في النموذج أو في المخطط.



