Produto e escopo metodológico¶

O produto em uma frase¶

Um pipeline Text-to-SQL em que um agente LLM consulta a camada semântica e de metadados via servidor MCP antes de gerar SQL, valida a aderência estrutural contra o catálogo canônico e executa o SQL sob ambiente controlado, registrando trilha completa por corrida. O catálogo canônico é implementado com Apache Atlas (escolha arquitetural; ver Catálogo Atlas).

Cadeia funcional¶

pergunta em linguagem natural -> consultas de metadados via MCP -> síntese de SQL -> validação sintática e estrutural -> execução controlada -> registro de métricas e evidências

Recorte científico¶

• Tipo de pesquisa: aplicada e experimental.
• Objeto: artefato único Text-to-SQL com grounding na camada semântica e de metadados via MCP.
• Horizonte: janela de 5 a 6 meses até a apresentação no fim de novembro de 2026.
• Ambiente: laboratório AWS reprodutível, operado em conta de estudo, com infraestrutura como código e cluster mínimo (sem dependência de tenant corporativo, mas com cluster real provisionado).

Definição operacional de erro estrutural¶

Um SQL contém erro estrutural quando:

1. referencia tabela, visão ou coluna ausente do catálogo canônico;
2. usa schema incompatível com o catálogo canônico;
3. cria junções não suportadas por relacionamentos recuperados dos metadados.

Escopo MVP¶

• Cluster AWS mínimo (subset ODP) com ZooKeeper, HDFS, YARN mínimo e Apache Atlas. Ver Cluster Hadoop e ADR-0002 Topologia AWS.
• Subconjunto fixo do subconjunto laboratorial (92 tabelas) como massa relacional de avaliação. Ver Banco laboratorial e Schema massa de teste.
• Aplicação Java 25 + Spring Boot + Spring AI com servidor MCP, adaptador Atlas, validador sintático Apache Calcite (dialeto Hive), executor SQL em Hive e harness com logs estruturados.
• Métricas essenciais: aderência estrutural, executabilidade, rastreabilidade da trilha pergunta-tool calls-SQL, orçamento de tool calls.

Fora do escopo MVP (pós-MVP opcional)¶

• Mock fiel de contingência ao Atlas.
• Estudos de sensibilidade de prompt.
• Observabilidade ampliada (tracing distribuído, dashboards).
• Pipeline de CI/CD multi-ambiente.

Decisões já registradas¶