What Happens When the Model Eats the Stack? Rethinking the Research Agenda for Data Agents to Withstand the Bitter Lesson

Khi các LLM tiến hóa như GPT-5.6 Sol, chúng hấp thụ các thành phần do con người thiết kế (agent scaffolding), theo như Bitter Lesson của Sutton. Các mô hình mới đánh bại các agent thiết kế thủ công như Agentar-Scale-SQL về cả độ chính xác và hiệu suất, giảm số lượng turns per query từ 23.2 xuống 6.0. Các lỗi về schema exploration và semantic mistakes (định nghĩa kinh doanh idiosyncratic, join keys, schema không được tài liệu) trở thành lỗi phổ biến nhất. Bài đề xuất xây dựng một lớp context semantic được lưu trữ trong database để tránh việc trùng lặp exploration, nhưng đề xuất này bị đánh giá là không đủ sâu. Sử dụng TLA+ như nền tảng chính thức có thể giúp duy trì ngữ nghĩa nhất quán và bắt các vi phạm invariant trước khi thực thi query.