مدير المبيعات يريد أن يعرف "ما المنتجات الخمسة الأكثر مبيعًا في الرياض خلال الشهر الماضي مقارنة بالشهر الذي قبله"، لكنه لا يعرف كتابة SQL، فيرسل الطلب إلى المطور وينتظر يومًا أو يومين. الاستعلام باللغة الطبيعية (Text-to-SQL) يغير هذه المعادلة: يكتب المستخدم سؤاله بالعربية، فيحوله نموذج الذكاء الاصطناعي إلى استعلام SQL صحيح، وينفذه على قاعدة بيانات MySQL أو PostgreSQL، ويعرض النتيجة. في هذا الدليل ضمن سلسلة تطوير تطبيقات الذكاء الاصطناعي سنبني هذا النظام خطوة بخطوة، مع التركيز على أهم جانب يتجاهله كثيرون: الأمان.

لاحظ إعداد مهلة التنفيذ في PostgreSQL، فهو يمنع الاستعلامات الثقيلة من إبطاء القاعدة. وفي MySQL يمكن تحقيق شيء مشابه عبر max_execution_time. ولا تمنح هذا المستخدم أي وصول إلى جداول المستخدمين وكلمات المرور والبيانات الشخصية إلا للضرورة القصوى.
هكذا يلتقي تطوير تطبيقات الذكاء الاصطناعي مع قواعد البيانات التقليدية، وبهذه الطريقة تحصل على نظام استعلام باللغة الطبيعية آمن ومفيد يوفر ساعات من وقت فريقك التقني. هل جربت ربط الذكاء الاصطناعي بقاعدة بياناتك؟ وما أكبر مشكلة واجهتك في دقة الاستعلامات؟

كيف يعمل الاستعلام باللغة الطبيعية؟
الفكرة تبدو بسيطة: نعطي النموذج بنية قاعدة البيانات، أي أسماء الجداول والأعمدة وأنواعها والعلاقات بينها، ثم سؤال المستخدم، ونطلب منه كتابة الاستعلام. لكن الدقة الحقيقية تعتمد على ثلاثة أشياء: جودة وصف القاعدة، ووجود أمثلة، والتحقق من الاستعلام قبل تنفيذه. فالنموذج لا يعرف أن العمود status يحمل القيمة 3 للطلبات الملغاة، ولا أن "المبيعات" في شركتك تعني الطلبات المدفوعة فقط، ما لم تخبره بذلك.الخطوة الأولى: مستخدم قاعدة بيانات للقراءة فقط
قبل أي سطر كود في مشروع الاستعلام باللغة الطبيعية، أنشئ مستخدمًا مخصصًا لا يملك إلا صلاحية القراءة على الجداول المسموح بها فقط. هذه أهم خطوة في المشروع كله، لأنها تضمن أن أي خطأ من النموذج أو أي محاولة تلاعب من المستخدم لن تحذف أو تعدل شيئًا:SQL:
-- MySQL
CREATE USER 'ai_reader'@'%' IDENTIFIED BY 'كلمة_مرور_قوية';
GRANT SELECT ON shop.orders TO 'ai_reader'@'%';
GRANT SELECT ON shop.products TO 'ai_reader'@'%';
-- PostgreSQL
CREATE ROLE ai_reader LOGIN PASSWORD 'كلمة_مرور_قوية';
GRANT SELECT ON orders, products TO ai_reader;
ALTER ROLE ai_reader SET statement_timeout = '5s';لاحظ إعداد مهلة التنفيذ في PostgreSQL، فهو يمنع الاستعلامات الثقيلة من إبطاء القاعدة. وفي MySQL يمكن تحقيق شيء مشابه عبر max_execution_time. ولا تمنح هذا المستخدم أي وصول إلى جداول المستخدمين وكلمات المرور والبيانات الشخصية إلا للضرورة القصوى.
الخطوة الثانية: وصف القاعدة بذكاء
بدل إعطاء النموذج البنية الخام، اكتب وصفًا غنيًا يشرح معنى الجداول والأعمدة والقيم الخاصة، وأضف أمثلة لأسئلة شائعة مع استعلاماتها الصحيحة. هذه الأمثلة ترفع دقة الاستعلام باللغة الطبيعية بشكل ملحوظ:Python:
SCHEMA = """
orders(id, customer_id, product_id, qty, total, city, status, created_at)
- status: 1 = مدفوع, 2 = قيد الشحن, 3 = ملغى. "المبيعات" تعني status IN (1,2)
- total بالريال ويشمل الضريبة
products(id, name, category, price)
"""
EXAMPLES = """
س: كم عدد الطلبات الملغاة هذا الأسبوع؟
SQL: SELECT COUNT(*) FROM orders WHERE status = 3 AND created_at >= CURRENT_DATE - INTERVAL 7 DAY;
"""
def to_sql(question):
prompt = f"""أنت خبير MySQL. اكتب استعلام SELECT واحدًا فقط يجيب عن السؤال.
البنية:
{SCHEMA}
أمثلة:
{EXAMPLES}
السؤال: {question}
أعد SQL فقط دون شرح. إذا لم يكن السؤال قابلًا للإجابة من هذه الجداول فأعد: CANNOT_ANSWER"""
return llm(prompt).strip()الخطوة الثالثة: التحقق قبل التنفيذ
لا تنفذ ما يعيده نظام الاستعلام باللغة الطبيعية مباشرة. افحصه برمجيًا باستخدام مكتبة تحليل SQL مثل sqlglot للتأكد من أنه استعلام SELECT واحد فقط، وأنه لا يصل إلا إلى الجداول المسموحة، وأضف حدًا أقصى لعدد الصفوف إن لم يكن موجودًا. ثم نفذه بمستخدم القراءة فقط. وإذا فشل التنفيذ بسبب خطأ في الصياغة، يمكنك إعادة رسالة الخطأ للنموذج ليصحح الاستعلام مرة أو مرتين، وهو أسلوب فعال جدًا في رفع نسبة النجاح.الخطوة الرابعة: عرض النتيجة بلغة مفهومة
بعد الحصول على النتائج، تأتي المرحلة الأخيرة من الاستعلام باللغة الطبيعية: يمكن إرسالها مع السؤال الأصلي إلى النموذج ليصيغ إجابة واضحة أو يقترح رسمًا بيانيًا مناسبًا. لكن اعرض الاستعلام المستخدم أيضًا للمستخدم المتقدم، ولو في قسم قابل للطي، لأن الشفافية تبني الثقة وتسهل اكتشاف سوء الفهم، كأن يفسر النموذج "الشهر الماضي" على أنه آخر ثلاثين يومًا بدل الشهر التقويمي السابق.حدود يجب أن تعرفها
الاستعلام باللغة الطبيعية يعمل بشكل ممتاز في الأسئلة المباشرة والقواعد المنظمة جيدًا، لكن دقته تنخفض مع القواعد الضخمة ذات مئات الجداول والأسماء الغامضة، ومع الأسئلة التي تحتاج إلى منطق تجاري معقد. في هذه الحالات من الأفضل إنشاء طبقة دلالية أو جداول عرض (Views) مبسطة ومسماة بوضوح، وتوجيه النموذج إليها بدل الجداول الأصلية. وتذكر أن الأسئلة الغامضة تنتج إجابات غامضة، فاجعل النظام يطلب التوضيح حين يكون السؤال محتملًا لأكثر من تفسير.هكذا يلتقي تطوير تطبيقات الذكاء الاصطناعي مع قواعد البيانات التقليدية، وبهذه الطريقة تحصل على نظام استعلام باللغة الطبيعية آمن ومفيد يوفر ساعات من وقت فريقك التقني. هل جربت ربط الذكاء الاصطناعي بقاعدة بياناتك؟ وما أكبر مشكلة واجهتك في دقة الاستعلامات؟