Cu o experiență de peste 20 de ani, vă transformăm prezența digitală. Suntem specializați în crearea de site-uri web și magazine online, SEO și marketing digital, soluții ERP și automatizări inteligente care vă propulsează afacerea.
Adresă:
Egnatia 154, Salonic 546 36
Telefon:
+30 231 231 4095
E-mail:
[email protected]
Sunteți pregătiți pentru următorul pas?;
SchemaRouter arată cum agenții AI selectează corect instrumentele și câmpurile, reduc contextul și păstrează proveniența, unitățile și licențele de utilizare.
Răspunsul mai întâi: SchemaRouter arată că un agent AI nu trebuie să consulte întregul catalog de API-uri și nici să recupereze toate câmpurile disponibile pentru a răspunde corect. Este nevoie de un plan mic și executabil care să selecteze instrumentele potrivite, să păstreze câmpurile esențiale și să transfere împreună cu acestea unitățile, sursa și licența de utilizare.
În cadrul testului de performanță al lucrării, abordarea a atins o precizie a răspunsurilor de 0,71 cu 227 de tokenuri de context recuperate, față de 2.066 de tokenuri pentru metoda „fetch-all”, cu o precizie de 0,70. Rezultatul se referă la 110 întrebări din domeniul științei materialelor și nu demonstrează o superioritate universală. Oferă însă o lecție concretă de arhitectură pentru agenții conectați la CRM, analize, cataloage de comerț electronic, baze de date și API-uri externe.
Cu cât un agent AI dispune de mai multe instrumente, cu atât devine mai dificilă o decizie aparent simplă: ce instrument trebuie să apeleze, cu ce parametri și exact ce câmpuri trebuie să returneze? Într-un chatbot simplu, modelul răspunde pe baza contextului care i se oferă. Într-un sistem RAG de tip agentic, acesta trebuie mai întâi să decidă unde va căuta și apoi să transforme această alegere într-o apelare validă.
O interogare poate necesita o combinație între o bază de date internă, un magazin de vectori, un magazin de grafuri și un API extern. Alegerea nu se rezumă doar la denumirea instrumentului: fiecare punct de acces are parametri obligatorii, câmpuri de răspuns, unități de măsură, surse și restricții de utilizare diferite. Dacă unul dintre aceste elemente lipsește, planul poate fi relevant din punct de vedere semantic, dar imposibil de pus în practică din punct de vedere tehnic.
Lucrarea de cercetare SchemaRouter: Instrument de rutare bazat pe câmpuri pentru un RAG agențial eterogen eficient, publicat pe arXiv la 3 iulie 2026, propune un strat intermediar de rutare. Un LLM de dimensiuni reduse extrage intenția și conceptele de bază; apoi, reguli deterministe aplicate unui graf de schemă selectează instrumentele și domeniile. Distincția este esențială, deoarece diagnosticarea unei defecțiuni a unui agent AI ne obligă să aflăm dacă problema a fost la nivel de înțelegere, de plan, de apelul către instrument sau la cititorul din aval.
Strategia prompt-all plasează toate descrierile instrumentelor și câmpurilor în promptul de rutare. Poate fi eficientă cu un model puternic, dar schema se repetă la fiecare apel și crește odată cu inventarul. În cadrul studiului, catalogul conținea 19 instrumente și 166 de câmpuri de răspuns. Numai segmentul de schemă avea 5.042 de caractere, adică aproximativ 1.260 de tokenuri, pornind de la ipoteza simplificată de patru caractere pe token.
Autorii estimează, în detaliu, o creștere de aproximativ 66 de tokenuri de tip „routing-prompt” pentru fiecare instrument suplimentar: aproximativ 6.600 de tokenuri la 100 de instrumente și 33.000 la 500. Este vorba despre o estimare bazată pe inventarul celor 19 instrumente, nu despre o măsurare efectuată în implementări de această amploare. Caching-ul prompturilor poate reduce costul de intrare al unui schemă fixă, dar nu elimină necesitatea de a acorda atenție prefixului complet și nici nu rezolvă problemele legate de modificările aduse instrumentelor, versiunilor sau permisiunilor.
The preluare excesivă este o altă problemă: agentul apelează mai multe instrumente sau returnează mai multe câmpuri decât este necesar. Aceasta mărește încărcătura, contextul și probabilitatea ca date sensibile sau contradictorii să ajungă la cititor. Acest preluare insuficientă omite un aspect esențial și poate duce la un răspuns convingător, dar incomplet. Protecția împotriva injectarea indirectă a prompturilor în surse externe rămâne o verificare separată; rata de recuperare mai mică limitează suprafața, dar nu dovedește că conținutul este fiabil.
Prompt-all
Furnizează modelului întreaga schemă a instrumentelor la fiecare apel de rutare. Oferă o vizibilitate extinsă, dar promptul crește odată cu inventarul.
Numai vectori
Găsește instrumente similare din punct de vedere semantic, dar poate prezenta deficiențe în ceea ce privește parametrii obligatorii, câmpurile de răspuns și funcționalitatea.
SchemaRouter
Utilizează un LLM de dimensiuni reduse pentru înțelegere și proiecția deterministă a câmpului pentru planuri de acțiune valide, care țin cont de metadate.
SchemaRouter reprezintă ca noduri elementele Tool, Endpoint, Parameter, ResponseField, DomainConcept, Unit, SourceType, LicensePolicy, FieldGroup și Intent. Muchiile leagă endpoints-urile de parametri și câmpuri, câmpurile de unități, surse și concepte, iar expresiile naturale de numele canonice ale câmpurilor. Sistemul nu stochează doar descrieri textuale; el stochează relațiile care determină care cerere este validă și ce înseamnă fiecare răspuns.
Ideea este similară cu „schema linking” din text-to-SQL, dar este transpusă într-un mediu cu numeroase instrumente eterogene. Nu aliniază cuvintele doar cu coloanele unei baze de date. Conectează interogările cu câmpurile mai multor API-uri și păstrează metadate pe care cititorul din aval nu le poate reconstitui în siguranță pe baza cunoștințelor parametrice.
Graficul de producție care a stat la baza studiului este proprietate privată. Articolul menționează un export JSON înghețat, un cadru de evaluare și un depozit pentru reproducerea rezultatelor. Cu toate acestea, la verificarea din 14 septembrie 2026, linkul GitHub indicat returna un cod de eroare HTTP 404. Prin urmare, articolul își bazează indicatorii pe lucrarea completă și nu prezintă depozitul ca material public disponibil.
În prima etapă, un LLM de dimensiuni reduse extrage intenția, conceptele din domeniu, valorile parametrilor, constrângerile sursă și instrumentele menționate în mod explicit. Dacă utilizatorul menționează un instrument, acesta are prioritate. În caz contrar, opțiunile sunt restrânse în funcție de domeniul intenției și de grupurile de câmpuri necesare. O constrângere sursă poate, de exemplu, să distingă între date experimentale, calculate sau din literatura de specialitate.
Selectarea câmpurilor se realizează apoi în mod determinist. Sunt incluse identificatori, corespondențe concept-câmp și grupurile de câmpuri care funcționează ca o plasă de siguranță pentru recall. Stratul de aliasuri face legătura între limba utilizatorului și denumirile canonice ale câmpurilor: un termen din domeniu poate fi asociat cu denumirea exactă pe care o înțelege API-ul. În final, planul atașează unitatea, tipul sursei și licența pentru fiecare câmp relevant.
Expresia «valid din punct de vedere structural» nu înseamnă că politica de afaceri a fost aplicată automat. Înseamnă că câmpurile provin din schema declarată, iar parametrii din setul acceptat de către punctul final. Autentificarea, autorizarea, consimțământul, limitele de rată, minimizarea datelor și porțile de aprobare trebuie impuse de straturile corespunzătoare de politică și execuție. protecția datelor în CRM fără a împiedica activitățile de marketing necesită tocmai această distincție între domeniul util și accesul permis.
Evaluarea cuprinde 110 întrebări din domeniul științei materialelor, împărțite în nouă categorii: 36 de căutări de proprietăți cu un singur instrument, 12 căutări chimice, 12 interogări sensibile la proveniență, 10 interogări cu mai multe câmpuri, 10 căutări în literatura de specialitate, 8 comparații între surse, 8 interogări sensibile la unități de măsură, 8 interogări negative fără instrument adecvat și 6 interogări ambigue cu o singură entitate.
Inventarul „frozen” cuprinde 19 instrumente eterogene și 166 de câmpuri de răspuns: baze de date cu proprietățile materialelor, PubChem, API-uri bibliografice, o sursă de comunicate de presă și soluții de rezervă de tip web sau Q&A. Datele din aval sunt elemente structurate deterministe. Această alegere facilitează comparația controlată, dar subestimează zgomotul, dezordinea și posibila injectare de prompturi cu care se confruntă un corpus real.
Studiul nu se limitează la precizia instrumentului sau la indicatorul F1. Acesta evaluează validitatea parametrilor, rata planurilor executabile, token-urile de context recuperate, latența end-to-end, precizia finală a răspunsului și dacă răspunsul include informații privind proveniența și licența. Acesta este nivelul adecvat pentru un agent de producție: routerul nu este bun pentru că generează un plan «elegant», ci pentru că contribuie la ca răspunsul final să fie corect, rapid și verificabil.
SchemaRouter a atins o precizie a răspunsurilor de 0,71, cu un interval de încredere de 95% cuprins între 0,63 și 0,79, o rată de recuperare a câmpurilor de 0,86, 227 de tokenuri de context recuperate și o latență end-to-end de 5,5 secunde. Metoda „fetch-all” a avut o precizie de 0,70, dar a utilizat 2.066 de tokenuri și a necesitat 4,9 secunde. Metoda „prompt-all” a avut o precizie de 0,66, 207 tokenuri de context recuperate și o latență de 15,1 secunde.
Punctul de funcționare al SchemaRouter
Valorile se referă exclusiv la testul de performanță cu 110 întrebări și nu constituie o garanție pentru fiecare implementare agentică a RAG.
Cea mai clară diferență constă în eficiența și validitatea planului. SchemaRouter a înregistrat un „tool-exact rate” de 0,93 și o „parameter validity” de 1,00 în tabelul de bază al indicatorilor de planificare. A utilizat de aproximativ nouă ori mai puține tokenuri de context recuperate decât metoda „fetch-all”, fără o pierdere măsurabilă a preciziei în această configurație. În comparație cu prompt-all, timpul end-to-end a fost de aproximativ 2,7 ori mai scurt.
Una dintre cele mai utile constatări este că minimizarea extremă a câmpurilor afectează negativ rezultatul din aval. La punctul de funcționare cu câmp minim, precizia a scăzut la 0,56, cu 188 de tokenuri de context recuperate. Când s-au adăugat grupuri de câmpuri relevante pentru intenție ca măsură de siguranță pentru recall, precizia a crescut la 0,71, în timp ce numărul de tokenuri a crescut doar la 227.
Lecția nu este «adu mai multe date». Ci că obiectivul corect de optimizare combină calitatea răspunsului cu costul real al contextului. O metrică bazată pe numărul de câmpuri consideră toate câmpurile echivalente, în timp ce un identificator scurt și un câmp textual mare au o amprentă de tokenuri foarte diferită. Planul mai mic poate părea eficient, dar, în același timp, poate lipsi elementul care îi permite cititorului să răspundă.
Pentru echipele de produs și de date, tablourile de bord trebuie să coreleze indicatorii de rutare cu succesul răspunsurilor, latența, utilizarea token-urilor, apelurile nevalide și erorile legate de câmpurile lipsă. În mod similar, Agenții AI multimodali necesită o verificare după percepție: un număr mai mare de date de intrare nu garantează o acțiune corectă, dar nici eliminarea agresivă a contextului nu garantează că informațiile esențiale vor fi păstrate.
Cea mai semnificativă diferență la nivel de răspuns se referă la trasabilitate. SchemaRouter a inclus mențiuni de licență „schema-only” în 62% dintre răspunsurile non-negative. Mențiunile de licență și declarațiile privind tipul sursei au atins ambele 94%. Valorile de referință au avut o rată de citare exclusiv a schemei aproape de zero, deoarece respectivele șiruri de licență nu existau în planul primit de cititor.
În domeniul marketingului, al comerțului electronic și al operațiunilor de conținut, acest principiu are o aplicabilitate mai largă decât în știința materialelor. Atunci când un agent utilizează fluxuri de produse, resurse DAM, date despre clienți sau studii de piață licențiate, sursa și condițiile de utilizare nu trebuie adăugate ulterior sub formă de notă de subsol. Acestea trebuie să însoțească informația de la registru până la ieșirea finală. Este vorba despre o interpretare arhitecturală, nu despre un rezultat inter-domeniu demonstrat de testul de performanță.
O răspuns API mai succint poate, de asemenea, să reducă riscul expunerii excesive a datelor, dar numai dacă selectarea câmpurilor este impusă la nivelul serverului și este asociată cu autorizarea pe bază de proprietăți ale obiectelor. Un router care «solicită» mai puține câmpuri nu înlocuiește controalele de acces. Specificația MCP avertizează, de asemenea, că adnotările instrumentelor sunt doar sugestii și nu trebuie considerate, în sine, o descriere fiabilă a comportamentului.
Poartă de producție pentru agenți conștienți de contextul de teren
Schema selectează datele; politica decide dacă acestea sunt permise
Asociați fiecare punct final și câmp de răspuns cu proprietarul, gradul de confidențialitate, scopul permis, rolul, sursa, unitatea, licența și perioada de păstrare. Executați planul numai după ce a trecut de verificarea autorizării și a minimizării datelor și păstrați o urmă pentru interogare, versiunea de schemă selectată, câmpurile returnate și răspunsul final.
Celelalte erori se împart în principal în alegerea greșită a instrumentului pentru entități ambigue și în erori ale cititorului. În cazul interogărilor cu o singură entitate ambiguă, modulul de potrivire a conceptelor întâmpină dificultăți în a determina sursa adecvată fără un nume explicit. Stratul de aliasuri necesită întreținere manuală pe măsură ce un domeniu se extinde, prin urmare această abordare nu elimină necesitatea guvernanței schemelor.
Există restricții semnificative în ceea ce privește validitatea. Benchmark-ul conține 110 interogări, este axat pe știința materialelor, a fost creat de un singur anotator și utilizează fișiere structurate „înghețate” în locul unor documente reale. Evaluarea s-a realizat într-o singură execuție cu Qwen-3.5 122B auto-găzduit, la temperatura zero și cu funcția de raționament dezactivată. Aceeași familie de modele a generat și a evaluat răspunsurile, iar revizuirea punctuală între familii s-a efectuat doar pe 40 de eșantioane.
Măsurătorile de latență provin de la un server comun, supraîncărcat, și sunt orientative. Rezultatele necesită replicare multi-seed, multi-model și cross-domain. În plus, articolul susține un prompt de rutare independent de dimensiunea schemei, dar întreținerea graficului, a aliasurilor, a grupurilor de câmpuri și a politicilor rămâne un cost organizațional real.
Un agent de comerț se poate conecta la catalog, depozit, prețuri, comenzi, recenzii și platforme publicitare. Întrebarea «care produs are potențial de promovare?» necesită câmpuri specifice și, probabil, permisiuni de acces diferite față de «care campanie a avut cel mai bun ROAS?». Dacă toate descrierile și toate datele sunt încărcate întotdeauna, contextul se extinde. Dacă se selectează doar instrumentul cel mai apropiat din punct de vedere semantic, pot lipsi costul produsului sau fereastra de atribuire.
Un registru „field-aware” poate specifica ce câmpuri necesită fiecare intenție, unitățile acestora, sursa, actualitatea și restricțiile de acces. Pentru o interogare CRM, de exemplu, planul poate necesita etapa ciclului de viață și ultimul contact permis, dar nu istoricul complet al notelor sau date care nu sunt relevante pentru scopul respectiv. Pentru disponibilitatea produsului sunt necesare codul SKU, starea stocului și marcajul temporal, nu întregul obiect al comenzii.
Implementarea în mediul de producție necesită asigurarea confidențialității și a autorizării, aspecte care nu fac obiectul lucrării. De asemenea, este necesară o soluție de rezervă atunci când un punct final își modifică schema, când sursa este învechită sau când planul nu atinge un prag de încredere. Aceste Agenții AI din cadrul întreprinderii trebuie tratați ca niște programe software cu limite, nu ca «colegi» care completează în mod arbitrar spațiile goale.
Proiectul-pilot trebuie să pornească de la o decizie limitată, cu un cost măsurabil al erorilor, și nu de la întregul inventar API al companiei. Un prim caz de utilizare adecvat este o interogare de tip „read-only” într-un catalog, un sistem de analiză sau o bază de cunoștințe de asistență, unde există răspunsuri corecte cunoscute și soluții de rezervă sigure.
Șapte pași de la inventar la o execuție shadow sigură
Stabiliți la ce întrebare trebuie să răspundă agentul, la ce date nu are voie să aibă acces, cine este proprietarul și care este costul unei erori sau al unei întârzieri.
Înregistrați metoda, parametrii necesari, câmpurile de răspuns, limitele de frecvență, versiunile și modurile de eșec numai pentru sistemele care necesită intenția respectivă.
Specificați numele canonic, aliasurile, unitatea, tipul sursei, actualitatea, licența, gradul de confidențialitate și rolul necesar. Nu introduceți permisiunile sub formă de text liber în fereastra de comandă.
Identificați identificatorii și grupurile mici de câmpuri necesare ca măsură de siguranță, pentru ca minimizarea să nu se transforme în preluare insuficientă.
Adăugați pur și simplu interogări de tip „simple”, „multi-tool”, „sensitive la proveniență”, „ambigue” și „negative”, în cazul cărora decizia corectă este să nu se efectueze o apelare inadecvată.
Evaluați metodele „prompt-all”, „similarity routing” și „fetch-all” controlat în funcție de precizia răspunsului, execuția validă, tokenurile de context, latența, exhaustivitatea metadatelor și expunerea datelor.
Înregistrați interogarea, versiunea schemei, planul instrumentului, câmpurile returnate, răspunsul și corectura manuală înainte de a permite acțiuni de scriere sau de a exercita o influență autonomă asupra clienților și bugetului.
Cei Automatizări pentru întreprinderi și IA de la TWO DOTS încep cu cartografierea proceselor, a datelor, a responsabililor și a punctelor de control. Pentru un proiect-pilot de tip SchemaRouter, valoarea nu constă în adăugarea unui alt strat de abstractizare, ci în demonstrarea faptului că planul reduce contextul inutil fără a omite câmpuri critice sau a ocoli politicile.
SchemaRouter nu demonstrează că un graf de schemă reprezintă cea mai bună soluție pentru fiecare sistem RAG agentic. Totuși, arată că alegerea câmpurilor de răspuns merită tratată ca o problemă arhitecturală distinctă. În cadrul acestui benchmark, rutarea cu păstrarea recall-ului a menținut o acuratețe competitivă cu mult mai puțin context recuperat decât metoda „fetch-all” și cu informații mai bogate privind proveniența și autorizațiile.
Pentru întreprinderi, obiectivul optim nu este nici «toate datele», nici «cât mai puține posibil». Este cel mai mic set adecvat, executabil, permis și verificabil care permite un răspuns corect. Acest lucru necesită indicatori care să acopere întregul parcurs: intenție, alegerea instrumentului, validarea parametrilor, proiecția pe teren, autorizarea, extragerea, răspunsul și verificarea umană.
Dacă schema grafică rămâne versiune, aliasurile sunt gestionate de proprietarii domeniului, iar permisiunile sunt impuse în afara modelului, această abordare poate deveni un punct de control util. Dacă este abordată doar ca o tehnică de reducere a numărului de token-uri, există riscul de a optimiza un indicator greșit și de a transfera complexitatea către un registru pe care nimeni nu își asumă responsabilitatea de a-l întreține.
De la API-ul de inventar la un proiect-pilot controlat
Proiectați agenți AI care solicită datele corecte
TWO DOTS cartografiază intențiile, instrumentele, câmpurile de răspuns, permisiunile, validarea și monitorizarea, astfel încât un flux de lucru bazat pe IA să elimine contextul inutil fără a pierde informații esențiale sau controlul.
Întrebări frecvente
Este un strat de rutare pentru cercetare care organizează instrumente, puncte finale, parametri, câmpuri de răspuns și metadate într-un grafic de schemă și generează planuri de utilizare a instrumentelor care pot fi executate.
Încearcă să limiteze atât „over-fetching”-ul, care aduce instrumente sau câmpuri inutile, cât și „under-fetching”-ul, care omite informații necesare pentru un răspuns corect.
Funcția „similarity” poate găsi un instrument adecvat, dar nu garantează parametrii valabili sau câmpuri de răspuns suficiente. SchemaRouter aplică o selecție deterministă a câmpurilor pe graf.
La 110 întrebări, a atins o precizie a răspunsurilor de 0,71 cu 227 de tokenuri de context recuperate, o rată de exactitate a instrumentului de 0,93 și o validitate a parametrilor de 1,00 în tabelul principal al lucrării.
Nu. Intervalele de încredere ale celor mai performante routere se suprapun. Lucrarea se bazează în principal pe avantaje legate de eficiența contextuală, planurile executabile și metadatele privind proveniența sau licența.
Deoarece, în punctul de funcționare cu câmp minim, precizia a scăzut la 0,56. Adăugarea grupurilor de câmpuri critice pentru recall a readus-o la 0,71, cu o ușoară creștere de la 188 la 227 de tokenuri.
Nu de unul singur. Schema poate transmite metadate relevante, dar autorizarea, consimțământul, minimizarea datelor și etapele de aprobare trebuie impuse de straturile de politici și de execuție.
Alegeți un intent limitat, de tip „read-only”, înregistrați endpoint-urile și câmpurile necesare și creați interogări de referință cu răspunsuri corecte, cazuri ambigue și exemple negative sigure.
Surse
