Question-answering systém pracující se strukturovanými daty

Abstract

Tato práce popisuje návrh a implementaci prototypu aplikace využívající paradigma Retrieval-Augmented Generation (RAG) pro efektivní práci s relačními SQL databázemi. Systém postavený na LangChain/LangGraph kombinuje relační databázi a vektorový index a obsahuje hybridního agenta, který iterativně využívá sémantické vyhledávání a SQL dotazy, ověřuje výsledky a generuje odpovědi se zdroji. Prototyp byl nasazen jako webová aplikace a manuálně otestován, přičemž prokázal vyšší faktickou přesnost oproti jednozdrojovým přístupům, větší transparentnost díky zobrazení interní logiky agenta a dobrou rozšiřitelnost. Identifikována byla také omezení včetně výpočetních nároků, nestability knihoven a bezpečnostních rizik. Přínosem je propojení teorie s praktickou implementací, otevřený prototyp pro další výzkum a doporučení pro výběr nástrojů při vývoji RAG systémů.

This thesis presents the design and implementation of a prototype application leveraging the Retrieval-Augmented Generation (RAG) paradigm for efficient interaction with relational SQL databases. The system, built on LangChain/LangGraph, combines a relational database with a vector index and features a hybrid agent that iteratively applies semantic search and SQL queries, verifies retrieved results, and generates source-backed responses. The prototype was deployed as a web application and manually tested, demonstrating higher factual accuracy compared to single-source approaches, greater transparency through visible agent reasoning, and solid extensibility. The work also identifies limitations, including high computational demands, the instability of rapidly evolving libraries, and security risks related to database access. Its contribution lies in bridging theoretical foundations with practical implementation, offering an open prototype for further research and providing recommendations for selecting tools in the development of RAG based systems.