《Smart Agricultural Technology》：QUILLAMA: Traceable Natural Language Access to Operational Smart Greenhouse Data with Read Only Guardrails
编辑推荐：
专业术语翻译（摘要部分）
QUILLAMA实现了对智慧温室数据的可溯源自然语言访问。在54例评估中，没有任何非SELECT语句到达MariaDB数据库。32例运营查询中有30例在无数据库错误的情况下成功执行（93.8%）。严格语义对应率为59.4%，比可执行性
专业术语翻译（摘要部分）
QUILLAMA实现了对智慧温室数据的可溯源自然语言访问。在54例评估中，没有任何非SELECT语句到达MariaDB数据库。32例运营查询中有30例在无数据库错误的情况下成功执行（93.8%）。严格语义对应率为59.4%，比可执行性低34.4个百分点。本地化Qwen推理保障了本地处理与SQL可溯源性的兼得。
论文解读文章
一、研究背景与问题
数字农业将传感、通信、自动化、持久化存储与分析服务整合为一体，以支撑农业系统的监测与决策。智慧温室作为受控栽培环境的典型代表，其基础设施持续记录环境变量与执行器状态，形成可供运营分析、监督与资源管理使用的历史数据仓库。然而，这些积累的运营历史数据通常需要用户具备SQL编写能力才能直接查询，这构成了非技术用户利用数据仓库的显著障碍。
近年来，大语言模型（LLM）在农业领域的应用日益广泛，涵盖预测、诊断、分类、优化、灌溉与决策支持等方向。已有研究探索了基于自然语言与结构化农业数据交互的可行性，例如Gontijo等人对乳业生产数值数据库的NL2SQL访问研究。在智慧温室领域，相关研究多聚焦于感知、预测、控制或智能体辅助决策支持，而非对既有关系型温室历史数据进行可溯源的、受只读约束的自然语言访问。现有文献尚未联合刻画一个运营型智慧温室查询层，能够同时满足以下条件：（i）通过NL-to-SQL交互暴露积累的关系型历史数据；（ii）保留实际执行的SQL语句及检索到的数据库结果以实现可溯源性；（iii）在数据库执行前应用显式只读约束；（iv）使用本地化推理；（v）将技术可执行性与用户意图的语义对应性分开评估。
二、研究内容与结论
研究人员设计并实现了QUILLAMA，作为已部署的QUILLAQUA智慧温室基础设施中的数据访问服务层。QUILLAMA通过可溯源的NL→SQL→DB→NL管道在自然语言问题与温室关系型历史数据之间建立中介。模型生成的SQL语句被视为不可信的中间输出，必须通过应用层验证后方可访问MariaDB；实际执行的语句与返回的数据库证据作为响应契约的一部分被保留。系统提供Web与Telegram两种访问通道，二者共享同一后端，不修改底层温室感知或控制功能。
研究的主要贡献包括：将自然语言数据访问层集成到运营型智慧温室基础设施中，使用户无需直接编写SQL即可对运营积累的QDB.lecturas历史数据进行只读查询；实现结合模式信息、领域术语、本地化推理、执行前语句验证及执行SQL与数据库结果保留的可溯源管道；构建包含54个预定义案例的评估协议，分别测试运营查询、术语变体、对抗性输入与基础设施故障；对32个运营问题—SQL对进行回顾性语义评估，明确区分数据库可执行性与语义对应性。
三、主要关键技术方法
研究人员采用以下关键技术方法构建QUILLAMA系统：基于Ollama的本地化推理服务，使用qwen2.5-coder:14b模型进行NL→SQL生成，使用qwen2.5:14b模型进行DB→NL叙述生成，二者均以temperature=0的保守参数配置运行；基于Node-RED的编排层，负责请求解析、SQL验证、数据库连接与响应构建；应用层只读防护机制，通过语句级检查确保候选语句以SELECT开头、不含多语句链、不含INSERT、UPDATE、DELETE、DROP等禁止关键字；显式模式信息与领域同义词映射，将运营术语与lecturas表列名对应；有界示例库（sqlExamples）与数据库模式摘要（dbSchema）作为生成阶段的上下文支撑。系统部署于树莓派4（RPI4）主控节点与独立本地推理节点（KVM虚拟机，配置4 vCPU、约30 GiB内存、NVIDIA GeForce RTX 4070 GPU）。
四、研究结果
4.1 实验设计
研究人员构建了包含54个预定义案例的测试套件：32个运营数据库查询（分为Benign、Synonyms、Ambiguous三类）、19个对抗性尝试、1个信息型about查询及2个基础设施故障案例。回顾性语义评估针对32个非对抗性数据库查询进行，采用五个语义维度（实体选择、时间范围、操作类型、结果粒度、歧义处理）分别编码。
4.2 技术可执行性
在32个运营数据库查询中，30个在无数据库错误的情况下成功执行，技术可执行率为93.8%。两个失败案例分别涉及非存在列引用（HA）和数据库连接问题。这一结果表明，在给定模式信息与示例支撑下，模型生成的SQL语句具有较高的技术可行性。
4.3 对抗性测试与只读防护
在19个对抗性尝试中，没有任何非SELECT语句到达MariaDB。预执行验证有效拦截了包含INSERT、UPDATE、DELETE、DROP等禁止关键字的语句、多语句链以及非SELECT开头的输出。部分对抗性请求被模型转化为只读查询后执行，这一结果被单独记录。
4.4 语义对应性评估
严格语义对应率为59.4%，比可执行性低34.4个百分点。32个运营问题—SQL对中，部分案例虽然SQL执行成功，但存在实体选择错误、时间范围解释偏差、操作类型不匹配或结果粒度不当等问题。例如，某些查询将“昨天”解释为滚动24小时而非前一日历日，某些查询选择了错误的变量或执行器列。
4.5 维度级语义结果
在五个语义维度中，实体选择和时间范围是出现错误最多的维度。歧义处理维度显示，部分未充分指定的问题未被按照文档化默认策略解决，也未触发澄清请求，而是由模型自行解释。
4.6 推理延迟
DB→NL阶段的延迟数据单独报告，因为完整管道级别的分阶段计时数据不可用。
五、讨论与结论
讨论部分总结
研究人员指出，成功执行SQL不应被视为正确解释的代理指标，二者之间存在显著差距。当前实现采用静态有界示例子集而非查询相关的动态示例检索，也未引入结构解析器、显式表/列/函数白名单或自动基数限制。应用层输出验证应辅以数据库级控制，以实现纵深防御。叙述生成阶段未提供作物特定阈值或农艺分类规则，因此语言模型引入的定性描述不应被视为农艺验证的解释。
结论部分翻译
本文设计、实现并评估了QUILLAMA，作为QUILLAQUA智慧温室基础设施中的可溯源只读数据访问层。QUILLAMA通过NL→SQL→DB→NL管道实现自然语言访问运营积累的温室历史数据，结合本地化推理、执行前只读验证与执行SQL及数据库结果的保留。54例评估表明，预执行验证有效阻止了所有非SELECT语句到达数据库；32例运营查询中93.8%无数据库错误执行，但严格语义对应率仅为59.4%。这一差距为运营型自然语言数据库接口提供了实证证据：SQL执行成功不应被用作正确解释的代理。QUILLAMA的源代码与提示模板已公开，支持后续研究与复现。
