حافظه agentها در هوش مصنوعی به عنوان ابزاری برای کاهش خطاهای توهمی و بهبود دقت پاسخ‌ها مورد توجه قرار گرفته است. انتخاب بین استفاده از SQL یا SPARQL برای جستجوی اطلاعات در حافظه agentها موضوعی است که اغلب بر اساس تجربیات شخصی و بدون آزمایش‌های دقیق انجام می‌شود. در مطالعه‌ای که توسط Sequeda و همکاران انجام شد، مشخص شد که GPT-4 در پاسخ به سوالات از طریق یک database SQL تنها 16 درصد دقت دارد، در حالی که با استفاده از گراف دانش بر روی همان database، دقت به 54 درصد می‌رسد. این تفاوت به دلیل وجود آنتولوژی و توصیفات در گراف دانش است، در حالی که SQL تنها شامل نام جداول و ستون‌ها است.
در تجربه‌ای که توسط Igor Suhorukov انجام شد، داده‌ها از یک مقاله به 34 جدول PostgreSQL استخراج و سپس با استفاده از R2RML به یک گراف تبدیل شدند. این داده‌ها به یک agent متصل شدند و 15 سوال از طریق SQL و SPARQL پرسیده شد. در این آزمایش، agent بر روی سه مدل LLM با وزن باز اجرا شد و امکان استفاده از زیرساخت‌های شخصی برای کاربران فراهم شد تا داده‌ها و سوالات آنها در لاگ‌های ارائه‌دهندگان ذخیره نشود.
همچنین، در این آزمایش بررسی شد که برای ذخیره‌سازی برداری و جستجوی معنایی، استفاده از Lance یا pgvector بهتر است. در نهایت، مشخص شد که استفاده از گراف دانش با SPARQL می‌تواند دقت بیشتری در پاسخ به سوالات داشته باشد و انتخاب بین SQL و SPARQL باید بر اساس نیازهای خاص و آزمایش‌های دقیق انجام شود.
