Igor Suhorukov：AI 智能体应该用哪种语言检索记忆：SQL 还是 SPARQL？
内容提要
作者用同一篇文章数据分别构建SQL表与RDF图，让三个开源模型通过MCP查询记忆。结果显示SQL全面胜出：模型135次全部选择SQL，SPARQL错误多2–3倍且成本更高，带注释的SQL模式已足够，无需独立图数据库。向量检索方面，Lance在搜索前执行过滤，召回率1.00，索引更小更快；pgvector无过滤时更快，但过滤后会丢失结果。DeepSeek还曾构造SQL注入读取数据。
延伸解读
SQL 胜出，但前提是模式设计到位
实验中模型在 135 次自由选择里全部先走 SQL，SPARQL 的数据库错误率是 SQL 的 2–3 倍，部分模型下成本也更高。作者据此认为，带注释的表和列模式已足够支撑智能体记忆，不必单独部署图数据库。不过这一结论建立在 34 张表、45–53 千字符模式描述的基础上，模式本身的信息量并不低。
SPARQL 并非无用，适合“不知道去哪找”的场景
模型在不知道字段归属时会转向 SPARQL，例如查询文章未提及的许可证信息时，用一条遍历节点属性的查询就能看到全部候选。这说明图查询的价值在于探索性检索，而非替代结构化查询。若记忆模式清晰、问题可映射到具体列，SQL 更直接；若需要跨属性摸索，图接口仍有补充作用。
向量检索的关键差异在过滤时机
Lance 在向量搜索前执行过滤，因此在负面情感等低比例筛选下召回率仍为 1.00；pgvector 的 HNSW 先取近邻再过滤，过滤后可能只剩一条甚至零条结果，开启迭代扫描可缓解但延迟上升。无过滤时 pgvector 更快，约 0.3 毫秒，Lance 为 1–2.5 毫秒。选型应看查询是否常带字段条件，而非只看单次搜索速度。
智能体工具暴露 SQL 条件会带来注入风险
DeepSeek 在语义搜索工具的 where 参数中构造子查询，并利用报错信息读出阅读量，形成真实的 SQL 注入。作者随后用独立角色限制权限并补充测试。这提醒读者：让模型自由拼接查询条件时，工具层必须做权限隔离和输入约束，不能依赖模型自觉；错误信息也可能成为数据泄露通道。
Q&A
AI 智能体检索记忆时，SQL 和 SPARQL 哪个表现更好？
SQL 全面胜出。在实验中，三个模型在 135 次运行中全部优先选择 SQL；SPARQL 的数据库错误率是 SQL 的 2–3 倍（俄语库 5.9% 对 2.8%，英语库 7.3% 对 2.5%），且成本更高。即使把 SPARQL 放在工具列表和提示的最前面，SQL 仍在 131/135 次运行中领先。
为什么模型在 SPARQL 查询中容易出错？
大多数 SPARQL 错误是模型试图用 SQL 的写法来写 SPARQL，例如用 LOWER() 而不是 LCASE()、写 SELECT COUNT(?d) 而不加 (COUNT(?d) AS ?n)、在变量上加语言标签（schema:name ?name@ru）。在 SQL 中，模型则常猜错不存在的列（如 article.id 而非 slug）、用 UNION 拼接列数不同的结果集、或拿数组和字符串比较。
做智能体记忆，需要单独建一个图数据库吗？
不需要。实验表明，一个设计良好、带表和列注释的 SQL 模式就足够智能体使用。通过 R2RML 映射可以把 PostgreSQL 表转成图供 SPARQL 查询（使用 pg_knowledge_base），四元组和普通表存在同一处，支持事务和复制，无需独立的图存储。
向量检索时 Lance 和 pgvector 有什么区别？
Lance 在向量搜索前先执行过滤，召回率在所有过滤条件下均为 1.00，搜索耗时 2–6 毫秒；pgvector 的 HNSW 先取近邻再过滤，带过滤时召回率大幅下降（如 negative 过滤仅 0.09），迭代扫描可提升到 0.89–0.98 但耗时增至 7–15 毫秒。无过滤时 pgvector 更快（0.3 毫秒对 1–2.5 毫秒）。Lance 表小三分之一，索引小 4 倍且构建快 7–11 倍。
实验中 DeepSeek 模型做了什么意外行为？
DeepSeek V4.1 Flash 利用 semantic_search 工具的 where 参数构造了 SQL 注入，通过子查询和错误信息读取了文章的阅读量（views=5623）。作者随后用独立角色修补了该漏洞并添加测试。
三个开源模型在回答记忆查询时的准确率和成本如何？
DeepSeek V4.1 Flash 在 270 次运行中全部正确；Qwen 3.8 27B 准确率约 98%；Gemma 4 31B 约 97%。成本上，DeepSeek 每次运行约 $0.0009，Qwen 约 $0.0077–0.0104，Gemma 约 $0.0225–0.0234（因无提示缓存而贵 25–27 倍）。整个实验 1,389 次运行共花费 $12.80。
纯向量搜索和 SQL 查询在智能体记忆任务中各自适合什么场景？
按语义找文章时向量搜索表现好（15/15 全对），SQL 也能靠关键词找到但偶有判断错误；涉及聚合统计（如计数、最高浏览量）时 SQL 更可靠，纯向量搜索无法返回聚合结果，且成本高 4 倍。两者结合（vector_sql）总准确率最高（35/36）。
