QueryData – Übersicht

Mit QueryData können Sie mit Ihren Daten interagieren, indem Sie Konversationssprache und Daten-Agenten verwenden, die Sie erstellen, um Ihre Daten abzufragen. Daten-Agenten sind KI-gestützte Assistenten und Anwendungen, die die Nutzerabsicht verstehen, Ihre Betriebsdaten abfragen und genaue, fundierte Antworten liefern können. QueryData generiert Abfragen für Ihre Datenbank mithilfe von Kontextsets. Diese bestehen aus kuratierten Blaupausen, Geschäftslogik und Schemainformationen. Dieser Kontext ermöglicht es QueryData, Fragen in natürlicher Sprache in genaue Abfragen für Ihre Zielanwendungsfälle zu übersetzen.

Anwendungsfälle für QueryData

QueryData ist ideal für Anwendungen wie:

  • Kundenserviceautomatisierung: Bearbeiten Sie Anfragen mit hohem Volumen wie „Wo ist meine Bestellung?“ oder „Wie hoch ist mein aktueller Kontostand?“.
  • E-Commerce-Shopping-Assistenten: Helfen Sie Nutzern, sich in großen Produkt katalogen zurechtzufinden, indem sie Abfragen in natürlicher Sprache stellen können, z. B. „Zeige mir Laufschuhe unter 100 €“.
  • Tools für Außendienstmitarbeiter: Ermöglichen Sie mobilen Mitarbeitern, Lagerbestände, die Verfügbarkeit von Ersatzteilen oder Details zu Servicetickets in Echtzeit abzufragen.

Wichtige Konzepte

Um Konversationsfragen zuverlässig in Datenbankabfragen zu übersetzen, verwendet QueryData die folgenden Schlüsselkonzepte:

QueryData und die Conversational Analytics API

Der QueryData Endpunkt in der Conversational Analytics API ist ein Agenten-Tool, mit dem Sie programmatisch Abfragen in natürlicher Sprache in MongoDB-kompatible Abfragesprache (MQL) generieren können. In einer Konversationsanwendung oder einem Workflow mit mehreren Agenten verarbeitet der Endpunkt QueryData die Schemainterpretation und die Abfragesynthese. Ihr Agenten-Framework (z. B. Antigravity, Agent Development Kit (ADK) oder LangChain) verwaltet den Konversationsverlauf, den Nutzerstatus und die Tool-Orchestrierung, um die Eingabe des Nutzers zu kontextualisieren, bevor eine Anfrage in natürlicher Sprache an den Endpunkt QueryData gesendet wird.

Kontextsets

Ein Kontextset ist eine Sammlung von datenbankspezifischem Wissen, kuratierten Abfragemustern und Geschäftsregeln, die mit Ihrer Datenbankinstanz verknüpft sind. Anstatt sich ausschließlich auf allgemeines LLM-Wissen oder rohe Tabellenschemas zu verlassen, verwendet QueryData Kontextsets, um die Nuancen Ihres Datenmodells und die unternehmensspezifische Terminologie zu verstehen.

Ein Kontextset enthält drei Hauptbausteine:

  • Abfrage-Blaupausen: Kuratierte Paare aus repräsentativen Fragen in natürlicher Sprache und den entsprechenden, vorab validierten MQL-Abfragen. Blaupausen enthalten kanonische Beispiele, die definieren, wie bestimmte Geschäftsabsichten MQL-Anweisungen zugeordnet werden.
  • Abfragefacetten: Modulare MQL-Prädikate und Filterbedingungen (z. B. Datums bereiche, Schwellenwertberechnungen oder Geschäftsflags). Mit Facetten kann QueryData mehrere Filterkriterien dynamisch zu einer Abfrage kombinieren, ohne dass für jede Kombination separate Blaupausen erforderlich sind.
  • Wertsuchen: Semantische und String-Matching-Abfragen, die informelle Ausdrücke auf genaue Werte in Datenbankspalten beziehen. Wertsuchen helfen, Mehrdeutigkeiten aufzulösen (z. B. Zuordnung von „Bay Area“ zu San Francisco oder „Heathrow“ zu London Heathrow Airport) mithilfe von genau passenden Übereinstimmungen, Trigramm-String-Ähnlichkeit oder semantischen Vektoreinbettungen.

Funktionsweise von QueryData

Wenn Ihr Agent oder Ihre Anwendung eine Anfrage in natürlicher Sprache sendet (z. B. eine Frage eines Nutzers, die der Agent mit dem Konversationsverlauf oder dem Nutzerstatus kontextualisiert hat), führt QueryData die folgenden Schritte aus:

  1. Wertauflösung: QueryData führt Suchanfragen in der Datenbank aus, um Entitäten im Prompt (z. B. Namen, Städte oder Kategorien) bestimmten Datenbankdokumentfeldern und ‑werten zuzuordnen.
  2. Absichtsabgleich und Disambiguierung: QueryData gleicht die kontextualisierte Anfrage mit den kuratierten Abfrage-Blaupausen und ‑Facetten ab, die Sie im Kontextset definiert haben. Wenn die Anfrage nicht ausreichend spezifiziert oder mehrdeutig ist, kann QueryData eine Disambiguierungsfrage zurückgeben, damit Ihr Agent oder Ihre Anwendung den Nutzer um eine Klarstellung bitten kann.
  3. Abfragesynthese: Mithilfe der übereinstimmenden Blaupausenstruktur, der angewendeten Facetten, der aufgelösten Werte synthetisiert QueryData eine vollständige MQL-Abfrage für Ihre Datenbank-Engine.
  4. Abfrageausführung: Die generierte Abfrage wird in der Datenbank ausgeführt, um Ergebnisse zurückzugeben.

Kontextsets erstellen und verwalten

So erstellen und verwalten Sie Kontextsets:

  1. Kontext erstellen: Definieren Sie die Abfrage-Blaupausen, Facetten und Wertsuchen für Ihre Datenbank. Weitere Informationen finden Sie in der Übersicht zu Kontextsets. Sie können auch den Kontext-Engineering-Agenten verwenden, um die Kontexterstellung zu automatisieren.
  2. In der Google Cloud Konsole verwalten: Erstellen und verwalten Sie Kontextsets in Firestore Studio, um sie für die Abfrage generierung verfügbar zu machen.
  3. In Ihre Anwendungen einbinden: Verbinden Sie Ihre Anwendungen oder KI-Agenten mit QueryData über die MCP Toolbox oder direkte API-Aufrufe.

Preise

Für Abfragen, die ausgeführt werden, wenn Sie Kontextsets erstellen und QueryData mit Ihren Daten-Agenten oder Datenbankdatenquellen verwenden, fallen Kosten an. Für das Erstellen und Verwenden von Kontextsets und QueryData während des Vorschau-Zeitraums fallen keine zusätzlichen Kosten an. Weitere Informationen finden Sie unter Preise für Data Cloud Agent.

Nächste Schritte