RAG-basierte SQL-Agenten im Unternehmenseinsatz: Architektur, Evaluation und praktische Implikationen für einen demokratisierten Datenbankzugriff

Zusammenfassung Der Zugriff auf Unternehmensdaten über natürlichsprachliche Anfragen verspricht eine Demokratisierung der Datenbankinteraktion für nicht-technische Nutzer. Dieser Beitrag untersucht die Möglichkeiten und Grenzen von Text-to-SQL-Agenten (Structured Query Language, SQL), die auf Retrieval-Augmented Generation (RAG) basieren und mit dem No-Code-Framework RAGFlow implementiert wurden. Hierfür wurden drei Prototypen für unterschiedliche Anwendungsfälle entwickelt: ein operativer Agent für Lagerabfragen, ein analytischer Agent für Vertriebskennzahlen und ein Beratungsagent für externe Kunden mit integrierten Datenschutzmechanismen. Die Evaluation zeigt ein differenziertes Bild: Für operative, faktenbasierte Anfragen erreichten die Prototypen Aufgabenerfolgsraten von 80–94 %. Ein zweistufiger Retrieval-Ansatz sowie ein Lookup-Mechanismus zur Fehlerkorrektur erhöhten die Robustheit für derartige Abfragen gegenüber unpräzisen Eingaben erheblich. Komplexe analytische Abfragen zeigten hingegen eine deutlich geringere Zuverlässigkeit (56–67 %), vor allem aufgrund von Kontextbegrenzungen der eingesetzten Large Language Models (LLMs) und Prioritätskonflikten zwischen Nutzer-Prompts und System-Prompts. Für die Praxis lässt sich ableiten, dass RAG-basierte SQL-Agenten bereits für Standardanfragen sinnvoll einsetzbar sind, während dedizierte Business-Intelligence-Tools (BI-Tools) für komplexe Analysen weiterhin überlegen bleiben. Der Beitrag liefert zudem konkrete architektonische Entscheidungen und Kriterien, die als Orientierung für die Implementierung solcher Agenten in Unternehmen dienen können.