> For the complete documentation index, see [llms.txt](https://docs.buildings.ability.abb/collection/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/agenten/nl2sql/agentisches-nl2sql.md). # Agentisches NL2SQL Die beschriebenen Einschränkungen [zuvor](/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/agenten/nl2sql/warum-nl2sql-schwierig-ist.md) motivieren einen **agentischen Ansatz** für NL2SQL: Anstatt Natural-Language-to-SQL als ein einstufiges Übersetzungsproblem zu behandeln, wird es in einen mehrstufigen Workflow zerlegt, in dem verschiedene Komponenten unterschiedliche Aspekte der Aufgabe übernehmen. ## Warum eine Subagenten-Architektur In einem agentischen NL2SQL-System wird der Schritt der SQL-Generierung in einen dedizierten **Subagenten**. Dieser Subagent erhält eine vollständig abgegrenzte, eindeutige Anfrage und generiert dafür SQL. Er übernimmt nicht: * Zu interpretieren, was der Benutzer mit „dem Gebäude“ meinte * Zu klären, welche Asset-Typen „Energie“ messen * Zu entscheiden, ob aktuelle oder historische Daten abgefragt werden sollen * Sich von falschen Ergebnissen zu erholen oder um Klärung zu bitten Diese Aufgaben gehören dem **Orchestrierungsagenten**, der spezialisierte Werkzeuge verwendet, um Konzepte gegen das Live-Datenmodell aufzulösen, bevor er an den SQL-Subagenten delegiert. Diese Trennung hat mehrere Vorteile: * **Fokussiertes Training**: Der SQL-Subagent kann ausschließlich auf die Qualität der SQL-Generierung für ein bekanntes Schema optimiert werden, ohne Konversation, Mehrdeutigkeit oder Fehlerbehandlung abdecken zu müssen. * **Zustandslose Ausführung**: Der SQL-Subagent arbeitet zustandslos – er erhält eine Anfrage, generiert und führt eine Abfrage aus und gibt die Ergebnisse zurück. Kein Konversationsgedächtnis, kein mehrstufiges Schlussfolgern. * **Unabhängige Weiterentwicklung**: Das SQL-Modell kann neu trainiert oder ausgetauscht werden, ohne den Orchestrator zu ändern. Die Aufforderung des Orchestrators kann aktualisiert werden, ohne das SQL-Modell neu zu trainieren. ### Konzeptauflösung als semantische Schicht Die entscheidende Erkenntnis hinter agentischem NL2SQL ist, dass die Lücke zwischen der Frage eines Benutzers und einer korrekten SQL-Abfrage nicht in erster Linie eine *Sprach-zu-SQL-Übersetzungs* Lücke. Sie ist eine **Konzeptauflösungs** Lücke. Betrachten Sie die Frage: *„Wie hoch ist der Energieverbrauch in Gebäude A?“* Um korrektes SQL zu generieren, muss das System wissen: * Welche Datenbankentität „Gebäude A“ repräsentiert (z. B. das konkrete Asset, das es darstellt) * Welche Asset-Typen unter Gebäude A Energiedaten erfassen (z. B. Zähler, Unterzähler) * Welcher Attributname und welcher Typ im Schema „Energieverbrauch“ entsprechen (z. B. Attribut „energy“, attribute\_type „energy“, subtype „input") * Ob sich „Energieverbrauch“ auf aktuelle Daten (Heap-Tabelle) oder historische Daten (Trend-Tabelle) bezieht, was davon abhängt, ob der Benutzer nach „jetzt“ oder nach einem Zeitraum fragt * In welcher Einheit die Daten gespeichert sind Der Orchestrierungsagent verwendet spezialisierte **Auflösungswerkzeuge** um diese Lücke zu überbrücken, bevor irgendein SQL generiert wird. #### [Zwei Arten von Mehrdeutigkeit](/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/agenten/nl2sql/warum-nl2sql-schwierig-ist.md#two-types-of-ambiguity) erneut betrachtet Das [vorherige Kapitel](/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/agenten/nl2sql/warum-nl2sql-schwierig-ist.md) führte Abfrage-Mehrdeutigkeit und Daten-Mehrdeutigkeit ein. Der agentische Ansatz behandelt sie in unterschiedlichen Phasen: **Abfrage-Mehrdeutigkeit** wird vom Orchestrierungsagenten durch werkzeugbasierte Konzeptauflösung und, falls nötig, Benutzerklärung behoben. Es muss also nicht geraten werden. **Daten-Mehrdeutigkeit** wird von den Auflösungswerkzeugen sichtbar gemacht und durch Hierarchieprüfung, Datenverfügbarkeitsprüfungen und Eingrenzung des Geltungsbereichs gelöst. Wenn nach der automatischen Auflösung mehrere gültige Interpretationen verbleiben, präsentiert der Agent konkrete Optionen mit Namen und Kennungen, damit der Benutzer präzise wählen kann. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/agenten/nl2sql/agentisches-nl2sql.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.