Kontextsets mit der Gemini CLI erstellen

In diesem Dokument wird beschrieben, wie Sie den Kontext erstellen und optimieren, mit dem Sie die Genauigkeit von QueryData für die Entwicklung Ihrer Daten-Agent-Anwendungen verbessern können. Mit der Erweiterung zur Kontextanreicherung für Datenbanken in der Gemini CLI haben Sie Zugriff auf eine Reihe von Entwicklertools, mit denen sich die Erstellung und Optimierung von Kontextsets automatisieren lässt.

Weitere Informationen zu Kontextgruppen finden Sie unter Kontextgruppen.

Die Erweiterung automatisiert die Erstellung und Optimierung der Kontextgruppen in der folgenden Reihenfolge:

  1. Anwendungen verstehen: Artefakte wie Datenbankschemas, Anwendungscode und geschäftliche Anforderungen werden aufgenommen, um die grundlegende Geschäftslogik für Ihren Daten-Agenten zu erstellen.
  2. Datasets erstellen: Stellen Sie ein Auswertungs-Dataset mit repräsentativen Fragen in natürlicher Sprache und den erwarteten SQL-Antworten zusammen. Dieses Baseline-Dataset ist entscheidend, um die Leistung zu messen und Verbesserungen im Laufe der Zeit zu erfassen.
  3. Anfangskontext generieren: Sie können automatisch einen Baseline-Kontextsatz generieren lassen, der direkt aus Ihrem Datenbankschema und optionalen Anwendungsartefakten abgeleitet wird.
  4. Kontext iterativ optimieren: Untersuchen Sie Ihr Dataset, um herauszufinden, warum bestimmte Anfragen fehlschlagen. Gemini verwendet automatisiertes Reasoning, um gezielte Kontextaktualisierungen vorzuschlagen und so iterativ eine höhere Genauigkeit zu erreichen.

Die Erweiterung bietet zwar einen robusten automatisierten Workflow, lässt sich aber an Ihre Bedürfnisse anpassen. Sie können die Automatisierung umgehen, um Kontext auf einer detaillierteren Ebene zu erstellen und einzufügen. Mit speziellen Generierungsbefehlen können Sie die Erstellung hochwertiger Vorlagen, Facetten und Wertsuchanfragen steuern.

Hinweis

Erfüllen Sie die folgenden Voraussetzungen, bevor Sie einen Agent erstellen.

Erforderliche Dienste aktivieren

Aktivieren Sie die folgenden Dienste für Ihr Projekt:

Spanner-Instanz vorbereiten


Für diese Anleitung benötigen Sie eine Datenbank in Ihrer Spanner-Instanz. Weitere Informationen finden Sie unter Datenbank erstellen.

Erforderliche Rollen und Berechtigungen

Umgebung vorbereiten

Sie können Kontextset-Dateien in jeder lokalen Entwicklungsumgebung oder IDE erstellen. Führen Sie die folgenden Schritte aus, um die Umgebung vorzubereiten:

  • Gemini CLI installieren
  • Erweiterung für die Anreicherung des Datenbankkontexts installieren
  • Datenbankverbindung einrichten

Gemini CLI installieren

Informationen zur Installation der Gemini CLI finden Sie unter Erste Schritte mit der Gemini CLI.

Erweiterung für die Anreicherung des Datenbankkontexts installieren

Die Erweiterung „DB context enrichment“ bietet einen geführten, interaktiven Workflow zum Generieren und Bearbeiten strukturierter Kontextsets.

Weitere Informationen zum Installieren der Erweiterung „DB Context Enrichment“ finden Sie unter Erweiterung „DB Context Enrichment“.

So installieren Sie die Erweiterung „DB Context Enrichment“:

  1. Installieren Sie die Gemini CLI-Erweiterung „DB Context Enrichment“:

    gemini extensions install https://github.com/GoogleCloudPlatform/db-context-enrichment

  2. (Optional) Aktualisieren Sie die Erweiterung „DB Context Enrichment“.

    Führen Sie den folgenden Befehl aus, um die installierte Version der Erweiterung zu prüfen:

    gemini extensions list

    Achten Sie darauf, dass die Version 0.5.0 oder höher ist. Führen Sie den folgenden Befehl aus, um die Erweiterung „DB Context Enrichment“ zu aktualisieren:

      gemini extensions update mcp-db-context-enrichment

    Führen Sie den folgenden Befehl aus, um die Erweiterung „DB Context Enrichment“ zu aktualisieren oder GEMINI_API_KEY zu ersetzen:

    gemini extensions config mcp-db-context-enrichment GEMINI_API_KEY

    Ersetzen Sie GEMINI_API_KEY durch Ihren Gemini API-Schlüssel.

Datenbankverbindung einrichten

Für die Erweiterung ist eine Datenbankverbindung erforderlich, um Schemas abzurufen und die Syntax des generierten SQL-Kontexts zu validieren. Damit die Erweiterung mit Ihrer Datenbank interagieren kann, müssen Sie Anmeldedaten für die Authentifizierung konfigurieren und die Konfiguration Ihrer Datenbankverbindung definieren.

Standardanmeldedaten für Anwendungen konfigurieren

Konfigurieren Sie Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC), um Nutzeranmeldedaten für zwei Hauptkomponenten bereitzustellen:

  • Toolbox-MCP-Server: Verwendet Anmeldedaten, um eine Verbindung zu Ihrer Datenbank herzustellen, Schemas abzurufen und SQL zur Validierung auszuführen.
  • Erweiterung „DB Context Enrichment“: Verwendet Anmeldedaten zur Authentifizierung und zum Aufrufen der Gemini API.

Führen Sie im Terminal die folgenden Befehle aus, um sich zu authentifizieren:

gcloud auth application-default login

Datei für die Datenbankverbindung konfigurieren

Für die Kontextgenerierung ist eine Datenbankverbindung erforderlich, die von der MCP Toolbox unterstützt und in einer Konfigurationsdatei definiert wird.

In der Konfigurationsdatei werden Ihre Datenbankquelle und die Tools angegeben, die zum Abrufen von Schemas oder zum Ausführen von SQL erforderlich sind. Die Erweiterung zur Anreicherung des Datenbankkontexts enthält vorinstallierte Agent-Skills, mit denen Sie die Konfiguration generieren können.

  1. Starten Sie die Gemini CLI:

    gemini

  2. Prüfen Sie, ob die Skills aktiv sind, indem Sie Folgendes in die Gemini CLI eingeben:

    /skills

  3. Geben Sie einen Prompt ein, z. B. help me set up the database connection. Der Skill führt Sie durch das Erstellen der Konfigurationsdatei in Ihrem aktuellen Arbeitsverzeichnis als autoctx/tools.yaml.

  4. Führen Sie den folgenden Befehl in der Gemini CLI aus, um die tools.yaml-Konfiguration auf den Toolbox-MCP-Server anzuwenden.

    /mcp reload

Weitere Informationen zum manuellen Konfigurieren der Datenbankkonfigurationsdatei finden Sie unter MCP Toolbox-Konfiguration.

Kontext mit automatisiertem Workflow generieren

Die Genauigkeit durch Kontextentwicklung zu verbessern, ist in der Regel ein manueller Prozess, der auf Versuch und Irrtum basiert. Entwickler raten oft, warum eine Anfrage fehlgeschlagen ist, schreiben eine Korrektur und testen sie manuell. Die Erweiterung „DB Context Enrichment“ in der Gemini CLI automatisiert diesen Prozess. Dabei werden Bewertungsdatasets verwendet, also Fragensets mit den richtigen SQL-Antworten, um die Leistung zu messen und herauszufinden, warum bestimmte Anfragen fehlschlagen. Gemini schlägt dann automatisch bestimmte Kontextaktualisierungen vor, um die Genauigkeit zu erhöhen. Führen Sie diese Schritte aus, um die Genauigkeit Ihres Daten-Agents systematisch zu verbessern.

Arbeitsbereich initialisieren

Mit dem Initialisierungsbefehl wird Ihr lokaler Arbeitsbereich eingerichtet, einschließlich der Konfiguration der Datenbankverbindung und des Testverzeichnisses. In diesem speziellen Arbeitsbereich sind alle Konfigurationen, Tests und generierten Dateien an einem zentralen Ort organisiert. So lassen sich Ihre Bemühungen zur Kontextoptimierung leichter verwalten und nachvollziehen.

  1. Erstellen Sie ein neues Verzeichnis, das als Arbeitsbereich für den iterativen Optimierungsablauf dient, und rufen Sie es auf.

  2. Starten Sie die Gemini CLI im neuen Verzeichnis:

    gemini

  3. Führen Sie den Initialisierungsbefehl aus:

    /autoctx:init

    Der Agent führt Sie durch das Erstellen der tools.yaml-Datei, wenn keine Datenbankverbindung eingerichtet wurde. Außerdem wird die lokale state.md-Datei und ein experiments-Verzeichnis initialisiert.

    Nach der Initialisierung sollte Ihr Arbeitsbereich so aussehen:

    my-workspace/
└── autoctx/
    ├── tools.yaml          # Database connection and tools configuration
    ├── state.md            # Local file to track the experiment progress
    └── experiments/        # Dedicated directory for future experiment-specific files

Datasets vorbereiten und erweitern

Damit Gemini Optimierungen systematisch auf Ihren Kontextsatz anwenden kann, müssen Sie einen Auswertungsdatensatz mit repräsentativen Fragen in natürlicher Sprache und den erwarteten SQL-Antworten („Goldens“) vorbereiten, um Ihren Kontextsatz zu bewerten. Ein hochwertiges Auswertungs-Dataset ist entscheidend, um die Leistung zu messen, Abfragefehler zu erkennen und Verbesserungen im Laufe der Zeit zu erfassen. Das Dataset muss eine JSON-Datei sein, die die Frage in natürlicher Sprache (Natural Language Question, NLQ) und den goldenen SQL-Code enthält, der die Zielanwendungsfälle in Ihrer Datenanwendung abdeckt.

Beispiel für das erwartete Format:

[
  {
    "id": "example_001",
    "nlq": "What is the total revenue for the top 5 products?",
    "golden_sql": "SELECT product_id, sum(net_revenue) FROM sales GROUP BY product_id ORDER BY sum(net_revenue) DESC LIMIT 5;"
  }
]

Die Gemini CLI-Erweiterung enthält einen Befehl, mit dem eine kleine Baseline von Fragen für Evaluierungszwecke erstellt und skaliert wird.

  1. Rufen Sie Ihren Arbeitsbereichordner auf.

  2. Starten Sie die Gemini CLI im neuen Verzeichnis:

    gemini

  3. Führen Sie den Befehl /autoctx:generate-dataset in der Gemini CLI aus:

    /autoctx:generate-dataset

  4. Wenn Sie vom Agent dazu aufgefordert werden, geben Sie einen Seed an. Das ist ein erstes Beispiel oder eine kleine Gruppe von Beispielen, die die Generierung eines größeren Datasets steuern. Ein Seed kann einer der folgenden sein:

    • Eine kleine Referenzdatei
    • Spezifische Goldpaare für die Umwandlung von natürlicher Sprache in SQL (NL2SQL)

    Sie könnten beispielsweise das folgende NL2SQL-Goldpaar als Ausgangspunkt angeben:

    Question: "What are the names of all airports in California?"
SQL: "SELECT name FROM airports WHERE state = 'CA';"

  5. Der Agent fordert die Berechtigung an, die Syntax und Ausführungsgültigkeit mit dem Tool execute_sql zu prüfen. Dieser Schritt ist optional.

  6. Der Agent fragt, ob der Datensatz mit Variationen aus Seed-Daten erweitert werden soll (durch Anwenden verschiedener Filter, Synonyme usw.). Dieser Schritt ist optional.

    Der Agent verwendet das Tool execute_sql, um die neu generierten SQL-Abfragen für die Datenbank auszuführen und so Syntax und Ausführung zu prüfen, bevor er sie Ihnen präsentiert.

  7. Sie können die Vorschläge einzeln annehmen, bearbeiten oder ablehnen. Genehmigte Paare werden automatisch lokal gespeichert und können ausgewertet werden.

    my-workspace/
└── autoctx/
    ├── tools.yaml
    ├── state.md
    ├── golden.json  # Generated dataset
    └── experiments/

Erstes Kontextset erstellen

Durch das Generieren einer ersten Kontextgruppe wird eine Grundlage für die Bewertung und iterative Verbesserung geschaffen. In diesem Schritt werden Ihr Datenbankschema und Ihre Anwendungsartefakte verwendet, um einen grundlegenden Kontext zu erstellen, der Ihre Geschäftslogik widerspiegelt.

Die Gemini CLI-Erweiterung enthält einen vordefinierten Befehl, mit dem Sie eine erste Gruppe von Vorlagen und Facetten basierend auf dem Datenbankschema und Informationen zu Ihrer Data Agent-Anwendung generieren können, z. B. Ihrem Anwendungscode oder Dateien mit Informationen zu Ihren Geschäftsanforderungen. So erstellen Sie eine Baseline-Kontextgruppe von Grund auf:

  1. Rufen Sie Ihren Arbeitsbereichordner auf.

  2. Starten Sie die Gemini CLI im neuen Verzeichnis:

    gemini

  3. Führen Sie den Befehl /autoctx:bootstrap in der Gemini CLI aus:

    /autoctx:bootstrap

    Im Allgemeinen können Sie Folgendes vom Agenten erwarten.

    • Der Agent fordert Sie auf, einen Testnamen anzugeben. Ein Test ist ein dedizierter Arbeitsbereichordner, der den gesamten Lebenszyklus einer Datenbankkontextkonfiguration umfasst. Er enthält den Ausgangszustand, die Testergebnisse und die nachfolgenden iterativen Verbesserungen. Mit diesem Namen werden alle generierten Dateien im Arbeitsbereich im Ordner für das Experiment organisiert. Wählen Sie einen Namen, der aussagekräftig und leicht zu merken ist.

    • Der Agent ruft Schemas aus Ihrer Zieldatenbank ab und listet sie auf. Sie werden aufgefordert, optional zusätzliche Ressourcen oder Dateien anzugeben. Wenn das Schema komplex ist, werden Sie vom Agenten auch aufgefordert, bestimmte Schemas oder Tabellen für den ersten Kontextsatz auszuwählen. Wenn Sie keine angeben, wird davon ausgegangen, dass alle Tabellen in den aktuellen Datenbankschemas verfügbar sind.

  4. Überprüfen und optimieren Sie das generierte Kontextset. Nach der Optimierung erstellt der Agent eine JSON-Kontextdatei direkt auf Ihrer lokalen Festplatte in Ihrem Arbeitsbereichordner:

    my-workspace/
└── autoctx/
    ├── tools.yaml
    ├── state.md
    └── experiments/
        └── my-experiment/
            └── bootstrap_context.json  # The generated initial context set file

  5. Folgen Sie der Anleitung, um den Kontext aus Spanner Studio hochzuladen.

Kontexteffektivität bewerten

Die Gemini CLI-Erweiterung enthält einen integrierten Befehl, mit dem Sie Ihren Data Agent anhand eines Golden-Datasets auswerten können. Die Erweiterung wird in Evalbench eingebunden, um Auswertungen durchzuführen. Dazu wird die QueryData API des Agents mit den im Golden Set angegebenen Fragen abgefragt und das generierte SQL mit dem Golden SQL verglichen. Die Bewertung ist entscheidend, um die Effektivität Ihres aktuellen Kontextsets zu verstehen. Wenn Sie den generierten SQL-Code mit dem Golden Dataset vergleichen, können Sie bestimmte fehlgeschlagene Abfragen ermitteln und Bereiche identifizieren, in denen der Kontext verbessert werden muss.

So messen Sie die aktuelle Kontexteffektivität im Vergleich zu Ihrem Golden Dataset:

  1. Laden Sie den Kontext aus Spanner Studio in die Zielkontextgruppen zur Bewertung hoch. Dieser Schritt ist optional, wenn der zu bewertende Kontext nicht hochgeladen wird.
  2. Rufen Sie Ihren Arbeitsbereichordner auf.

  3. Starten Sie die Gemini CLI im Ordner:

    gemini

  4. Führen Sie den Befehl /autoctx:evaluate in der Gemini CLI aus:

    /autoctx:evaluate

  5. Geben Sie die Pfade für Ihr Golden Dataset, Ihre Kontextset-ID für die Generierung der Bewertungskonfiguration und den Bewertungsdurchlauf sowie ein bestimmtes Ausgabeverzeichnis an.

    Nach Abschluss generiert der Agent die Auswertungsergebnisse als Dateien in Ihrem Testordner und fasst das Auswertungsergebnis zusammen.

    Optional können Sie die Auswertung manuell anhand des detaillierten Auswertungsberichts prüfen, der als CSV-Dateien in Ihrem Testordner gespeichert ist.

    my-workspace/
└── autoctx/
    ├── tools.yaml
    ├── state.md
    ├── golden.json
    └── experiments/
        └── my-experiment/
            └── bootstrap_context.json
            └── eval_configs/
                └── <configs_for_eval_run>/
            └── eval_reports/
                └── <eval_id>/
                    └── eval_report/
                        ├── configs.csv
                        ├── evals.csv
                        ├── scores.csv
                        └── summary.csv

Gap-Analyse und Kontextoptimierung durchführen

Als wichtiger Schritt bei der Optimierung des Kontextsets enthält die Gemini CLI-Erweiterung einen integrierten Befehl, mit dem Sie eine Lückenanalyse für Ihr vorhandenes Kontextset durchführen und Änderungen vorschlagen können, um die Qualität zu verbessern. Die Lückenanalyse ist wichtig, um zu verstehen, warum bestimmte Anfragen fehlschlagen und wo der Kontext verbessert werden kann. Basierend auf dieser Analyse schlägt Gemini mithilfe von automatisiertem Reasoning gezielte Kontextaktualisierungen vor, z. B. neue Vorlagen oder Facetten, um diese Fehler zu beheben und die Genauigkeit von Abfragen iterativ zu verbessern.

  1. Rufen Sie Ihren Arbeitsbereichordner auf.

  2. Starten Sie die Gemini CLI im Ordner:

    gemini

  3. Führen Sie den Befehl /autoctx:hillclimb in der Gemini CLI aus:

    /autoctx:hillclimb

    Der Agent ermittelt automatisch die am besten geeigneten Auswertungsergebnisse und den Basis-Kontext für das Hill-Climbing und bittet um Bestätigung, wenn es mehrere Optionen gibt.

    Wenn kein Bewertungsergebnis verfügbar ist, fordert der Agent Sie auf, einen Bewertungslauf mit dem Dataset und dem festgelegten Kontext durchzuführen.

    Wenn der Agent bereit ist, liest er die Bewertungsergebnisse und den vorhandenen Kontext und erstellt dann einen Bericht zur Lückenanalyse.

    my-workspace/
└── autoctx/
    ├── tools.yaml
    ├── state.md
    ├── golden.json
    └── experiments/
        └── my-experiment/
            └── bootstrap_context.json
            └── eval_configs/
            └── eval_reports/
            └── hillclimb/
                └── gap_analysis_v1.md

    Der Agent formuliert Korrekturen, indem er neue präskriptive Vorlagen und Facetten vorschlägt und optional SQL über execute_sql in der Datenbank testet.

    Wenn die Datei fertig ist, wird lokal eine neue, verbesserte Kontext-JSON-Datei generiert. Die ursprüngliche Kontext-JSON-Datei bleibt dabei unverändert.

    my-workspace/
└── autoctx/
    ├── tools.yaml
    ├── state.md
    ├── golden.json
    └── experiments/
        └── my-experiment/
            └── bootstrap_context.json
            └── eval_configs/
            └── eval_reports/
            └── hillclimb/
                ├── gap_analysis_v1.md
                └── improved_context_v1.md

  4. Folgen Sie der Anleitung, um den Kontext in die Zielkontextgruppe aus Spanner Studio hochzuladen. Er ist dann für die nächste Iterationsrunde bereit, die mit der Bewertung beginnt.

Beschränkungen

Der automatisierte Workflow unterstützt nur das Generieren und Optimieren von Vorlagen und Facetten. Wenn Sie die Wertesuche für Ihren Daten-Agent konfigurieren möchten, lesen Sie den Abschnitt Suchanfragen für die Wertesuche generieren.

Gezielten Kontext generieren

Wenn Sie einen benutzerdefinierten Ansatz für die Kontexterstellung bevorzugen, können Sie mit der Erweiterung „DB Context Enrichment“ bestimmte Kontextelemente manuell generieren. Die folgenden Befehle führen Sie durch das Erstellen von Kontext als JSON-Datei. So haben Sie die Möglichkeit, die Generierung von Vorlagen-, Facetten- und Wertsuchanfragen genau zu steuern.

Zielgerichtete Vorlagen generieren

Wenn Sie ein bestimmtes Paar aus Abfrage und SQL als Abfragevorlage zum Kontextset hinzufügen möchten, verwenden Sie den Befehl /generate_targeted_templates.

Weitere Informationen zur Kontextset-Datei und zur Abfragevorlage finden Sie unter Kontextsets.

So fügen Sie dem Kontextset eine Abfragevorlage hinzu:

  1. Führen Sie den Befehl /generate_targeted_templates in der Gemini CLI aus:

    /generate_targeted_templates

  2. Geben Sie die Abfrage in natürlicher Sprache ein, die der Abfragevorlage hinzugefügt werden soll.

  3. Geben Sie die entsprechende SQL-Abfrage in die Abfragevorlage ein.

  4. Sehen Sie sich die generierte Abfragevorlage an. Sie können die Abfragevorlage als Kontextset-Datei speichern oder an eine vorhandene Kontextset-Datei anhängen.

Die Datei mit den Kontextsets, z. B. my-cluster-psc-primary_postgres_context_set_20251104111122.json, wird in dem Verzeichnis gespeichert, in dem Sie die Befehle ausgeführt haben.

Zielgerichtete Facetten generieren

Verwenden Sie den Befehl /generate_targeted_facets, um eine bestimmte Abfrage als Facette zur SQL-Bedingung in der Kontextset-Datei hinzuzufügen.

Weitere Informationen zur Kontextset-Datei und zu Facetten finden Sie unter Kontextsets.

So fügen Sie der Datei mit dem Kontextset eine Dimension hinzu:

  1. Führen Sie den Befehl /generate_targeted_facets in der Gemini CLI aus:

    /generate_targeted_facets

  2. Geben Sie den Intent in natürlicher Sprache ein, der der Facette hinzugefügt werden soll.

  3. Geben Sie das entsprechende SQL-Snippet für die Facette ein.

  4. Sehen Sie sich die generierte Facette an. Sie können die Facette in einer Kontextset-Datei speichern oder an eine vorhandene Kontextset-Datei anhängen.

Die Datei mit den Kontextsets, z. B. my-cluster-psc-primary_postgres_context_set_20251104111122.json, wird in dem Verzeichnis gespeichert, in dem Sie die Befehle ausgeführt haben.

Suchanfragen für Werte generieren

Mit dem Befehl /generate_targeted_value_searches können Sie Wertesuchen erstellen, die angeben, wie das System nach bestimmten Werten innerhalb eines Konzepttyps sucht und diese abgleicht.

Weitere Informationen zum Wertindex finden Sie unter Kontextsets – Übersicht.

So erstellen Sie einen Wertindex:

  1. Führen Sie den Befehl /generate_targeted_value_searches aus:

    /generate_targeted_value_searches

  2. Geben Sie spanner ein, um Spanner als Datenbankmodul auszuwählen.

  3. Geben Sie die Konfiguration für die Wertsuche so ein:

    Table name: TABLE_NAME
Column name: COLUMN_NAME
Concept type: CONCEPT_TYPE
Match function: MATCH_FUNCTION
Description: DESCRIPTION

    Ersetzen Sie Folgendes:

    • TABLE_NAME: Die Tabelle, in der die Spalte mit dem zugehörigen Konzepttyp vorhanden ist.
    • COLUMN_NAME: Der Spaltenname, der dem Konzepttyp zugeordnet ist.
    • CONCEPT_TYPE: Der zu definierende Konzepttyp, z. B. City name.

    • MATCH_FUNCTION: Die Abgleichsfunktion, die für die Wertsuche verwendet werden soll. Sie können eine der folgenden Funktionen verwenden:

      • EXACT_STRING_MATCH: Für den exakten Abgleich von zwei String-Werten. Am besten für eindeutige IDs, Codes und Primärschlüssel geeignet.
      • TRIGRAM_STRING_MATCH: Für den unscharfen Abgleich, bei dem die normalisierte Trigramm-Distanz berechnet wird. Am besten für Nutzersuchen und Namenskorrekturen geeignet.

    • DESCRIPTION: (Optional) Die Beschreibung der Wertsuchanfrage.

  4. Fügen Sie bei Bedarf weitere Wertesuchen hinzu. Wenn Sie keine zusätzlichen Wertindexe hinzufügen, wird die vorlagenbasierte SQL-Generierung mit dem nächsten Schritt fortgesetzt.

  5. Sehen Sie sich die generierten Wertesuchen an. Sie können den festgelegten Kontext als Kontextset-Datei speichern oder an eine vorhandene Kontextset-Datei anhängen.

Die Datei mit den Kontextsets, z. B. my-cluster-psc-primary_postgres_context_set_20251104111122.json, wird in dem Verzeichnis gespeichert, in dem Sie die Befehle ausgeführt haben.

Nächste Schritte