Présentation des ensembles de contextes

QueryData vous permet d'interagir avec les données de votre base de données à l'aide du langage conversationnel et de créer des agents de données. QueryData rédige des requêtes pour votre base de données à l'aide d'ensembles de contexte, qui sont des collections de code contenant des informations uniques sur votre base de données. Ce contexte permet à QueryData de traduire les questions en langage naturel en requêtes précises pour vos cas d'utilisation cibles.

Quand utiliser QueryData

QueryData est idéal pour les applications telles que :

  • Automatisation du service client : gérez les demandes à fort volume telles que "Où est ma commande ?" ou "Quel est mon solde actuel ?".
  • Assistants d'achat pour l'e-commerce : aidez les utilisateurs à parcourir de vastes catalogues de produits à l'aide de requêtes en langage naturel, comme "Montre-moi les chaussures de course à moins de 100 €".
  • Outils pour les opérations sur le terrain : permettent aux employés mobiles d'interroger les niveaux d'inventaire, la disponibilité des pièces ou les détails des demandes d'intervention en temps réel.

Fonctionnement de QueryData

Pour créer des applications agentiques efficaces, QueryData doit comprendre l'organisation de vos données et votre logique métier. Vous fournissez ces informations sous la forme d'un ensemble de contexte.

Vous définissez le contexte dans des fichiers contenant des objets JSON pour chaque type de contexte. Vous créez ces fichiers de contexte à l'aide de la CLI Gemini. Vous importez ensuite le fichier de contexte dans un ensemble de contextes que vous créez dans la console Google Cloud. Ce processus permet à QueryData d'apprendre le schéma spécifique de la base de données et la logique métier de l'application.

Le fichier de contexte ressemble à ceci :

Le fichier de contexte de l'agent ressemble à ce qui suit :

{
  "templates": [
    {
      "nl_query": "Count prague loan accounts",
      "sql": "SELECT COUNT(T1.account_id) FROM bird_dev_financial.account AS T1 INNER JOIN bird_dev_financial.loan AS T2 ON T1.account_id = T2.account_id INNER JOIN bird_dev_financial.district AS T3 ON T1.district_id = T3.district_id WHERE T3.\"A3\" = 'Prague'",
      "intent": "How many accounts associated with loans are located in the Prague region?",
      "manifest": "How many accounts associated with loans are located in a given city?",
      "parameterized": {
        "parameterized_intent": "How many accounts associated with loans are located in $1",
        "parameterized_sql": "SELECT COUNT(T1.account_id) FROM bird_dev_financial.account AS T1 INNER JOIN bird_dev_financial.loan AS T2 ON T1.account_id = T2.account_id INNER JOIN bird_dev_financial.district AS T3 ON T1.district_id = T3.district_id WHERE T3.\"A3\" = $1"
      }
    }
  ],
  "facets": [
    {
      "sql_snippet": "T.\"A11\" BETWEEN 6000 AND 10000",
      "intent": "Average salary between 6000 and 10000",
      "manifest": "Average salary between a given number and a given number",
      "parameterized": {
         "parameterized_intent": "Average salary between $1 and $2",
         "parameterized_sql_snippet": "T.\"A11\" BETWEEN $1 AND $2"
      }
    }
  ]
}

Lorsqu'un utilisateur final pose une question en langage naturel, QueryData donne la priorité à la mise en correspondance de la question avec les modèles et les facettes qui ont été audités par le développeur qui organise le contexte. Une fois que QueryData a identifié une correspondance, il utilise le modèle de requête et les facettes sélectionnés pour synthétiser une requête de base de données. La logique de l'ensemble de contexte exécute ensuite cette requête sur la base de données pour renvoyer des résultats précis.

Nous vous recommandons de définir des recherches de valeurs dans votre contexte. Les recherches de valeurs permettent à l'agent de mapper des expressions de valeurs à des valeurs spécifiques stockées dans les colonnes de votre base de données. Cela ancre le LLM dans vos données réelles, ce qui l'aide à résoudre les ambiguïtés, par exemple si un terme fait référence à un nom de District ou à un City.

Si l'agent ne trouve pas de modèle correspondant, il utilise des recherches de valeurs pour mapper les expressions en langage naturel à des valeurs spécifiques stockées dans les colonnes de votre base de données. Cela ancre le LLM dans vos données réelles, ce qui l'aide à résoudre les ambiguïtés, par exemple si un terme fait référence à un District, un Name ou un City.

Le point de terminaison QueryData de l'API Conversational Analytics est un outil agentique qui permet l'intégration programmatique à vos applications pour générer des requêtes SQL à partir de questions en langage naturel. Dans une application conversationnelle, le point de terminaison QueryData doit être utilisé dans le framework qui gère l'historique et le contexte de la conversation.Pour appliquer la résolution d'entités tout en maintenant une sécurité stricte au niveau des lignes, vous pouvez utiliser des vues sécurisées paramétrées (VSP). Pour en savoir plus, consultez Sécuriser et contrôler l'accès aux données d'application à l'aide de vues sécurisées paramétrées.

Étapes suivantes