Проще говоря, schema context отвечает на вопрос: как агент должен понимать данные, с которыми работает. Если агент генерирует SQL, извлекает данные из документа, вызывает API или возвращает structured output, ему нужно знать не только задачу пользователя, но и схему.
Например, для SQL-агента schema context может содержать таблицы deals, customers и payments, описание ключей, связи, доступные поля и правила: не использовать персональные данные без роли, считать выручку только по paid-сделкам, фильтровать удаленные записи. Без этого агент легко выберет не ту колонку или неправильно соединит таблицы.
Для structured output schema context описывает формат ответа: какие поля вернуть, какие типы допустимы, какие enum использовать, какие поля обязательны и что делать, если данных не хватает. Это снижает количество невалидных JSON-ответов и ошибок интеграции.
Schema context отличается от schema validation. Validation проверяет готовые данные по схеме. Schema context помогает модели заранее понять схему и сгенерировать более правильный результат. В надежной системе используются оба этапа: сначала дать схему в контексте, потом проверить ответ валидатором.
Важно не перегружать модель всей базой данных. Если в контекст положить сотни таблиц и тысячи полей, агент начнет путаться, а context window быстро закончится. Хороший schema context подбирается под задачу: только релевантные сущности, поля, ограничения и примеры.
Еще один риск - устаревшая схема. Если таблица изменилась, поле переименовали или метрика теперь считается иначе, агент будет генерировать уверенные, но ошибочные ответы. Поэтому schema context должен обновляться из актуального каталога, semantic layer, OpenAPI, database introspection или версии схемы.
В production полезно хранить schema context как управляемый артефакт: источник, версию, владельца, дату обновления, правила доступа, примеры запросов и тесты. Тогда AI-агент работает не по случайному описанию из промпта, а по контролируемому контракту данных.
Примеры
- SQL-агент получает schema context с таблицами, связями и описанием метрик перед генерацией запроса.
- AI-агент для документов получает схему полей счета: номер, дата, контрагент, ИНН, сумма и НДС.
- Tool calling использует schema context, чтобы модель знала обязательные параметры внешнего API.
- Structured output описывает enum статусов, чтобы агент не придумывал новые значения.
- BI-агент получает из semantic layer описание метрики revenue и правила фильтрации тестовых заказов.
Где используется
- генерация SQL AI-агентом
- structured output
- tool calling с параметрами
- извлечение данных из документов
- работа с OpenAPI и внешними API
- BI и аналитические агенты
- ограничение доступных полей
- снижение ошибок схемы
- подготовка schema validation
Связанные термины
Column dictionary
Context engineering
Data quality check
JSON Schema
Schema detection
Schema validation
Semantic layer
SQL agent
Частые вопросы
Что такое schema context простыми словами?
Это описание структуры данных, которое дают AI-агенту, чтобы он понимал поля, типы, связи и правила перед генерацией ответа или запроса.
Чем schema context отличается от schema validation?
Schema context помогает модели заранее понять схему. Schema validation проверяет готовый результат на соответствие этой схеме.
Что входит в schema context?
Названия сущностей, поля, типы, обязательность, связи, enum, ограничения, бизнес-описания, права доступа и примеры корректного использования.
Почему нельзя просто дать агенту всю схему базы?
Большая схема перегружает контекст, повышает риск ошибок и может раскрыть лишние поля. Лучше давать только релевантную часть схемы под задачу.
Как поддерживать schema context актуальным?
Хранить версию, источник, владельца, дату обновления, генерировать его из каталога данных, semantic layer, OpenAPI или introspection и проверять тестами.
