📊 Новое поколение баз данных для ИИ-агентов Когда LLM-агенты работают с БД, они не делают один большой запрос. Вместо этого они засыпают систему тысячами мелких пробных запросов: проверяют структуру, ищут связи, тестируют планы. Это явление получило название agentic speculation. Итог — колоссальный перерасход ресурсов. 🆕 Исследователи предлагают «agent-first database» — базу, спроектированную с учётом поведения агентов. 🔑 Как это работает: - Агент отправляет не просто SQL-запрос, а пробу с брифом: какая цель, на каком этапе он сейчас, какая нужна точность и что в приоритете. - База может дать приближённый ответ, если данных уже достаточно, вместо того чтобы тратить ресурсы на полный расчёт. - Запросы поддерживают семантический поиск по таблицам и строкам, что в SQL выразить сложно. ⚙️ Внутренние механизмы: - Sleeper agents подсказывают лучшие join’ы, объясняют пустые результаты и оценивают стоимость запросов. - Оптимизатор проб объединяет похожие запросы, кэширует частичные результаты и выдаёт быстрые ответы, когда «достаточно сигнала». - Agentic memory хранит знания, которые можно переиспользовать в будущем. - Общий менеджер транзакций позволяет быстро пробовать разные сценарии («what-if») без лишних затрат. 📌 Вывод: традиционный SQL не подходит для эпохи LLM. Нужны базы, которые понимают стратегию агента, сокращают лишние шаги и экономят ресурсы. 🔗 Paper: arxiv.org/abs/2509.00997 #AI #Databases #LLM #Agents