Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

使用 Cloud SQL Studio 測試 QueryData

本文說明如何測試 QueryData，以及更新脈絡集檔案。您可以測試 QueryData 從自然語言問題生成 SQL 查詢的能力。如果生成的查詢不準確，可以更新內容集檔案。

如要瞭解情境集，請參閱「情境集總覽」。

事前準備

請確認您已建立脈絡資料集，並將脈絡資料集檔案上傳至 QueryData 代理程式。詳情請參閱「在 Cloud SQL Studio 中管理內容集」。

如要下載、更新及上傳內容集檔案，請確認 IAM 使用者在專案中具有 Dataplex Catalog 編輯者 (roles/dataplex.catalogEditor) 或 Dataplex Catalog 管理員 (roles/dataplex.catalogAdmin) 角色。詳情請參閱「情境集權限」。

測試 QueryData

如要測試 QueryData，請按照下列步驟操作：

前往 Google Cloud 控制台的 Cloud SQL 頁面。

前往 Cloud SQL
從清單中選取執行個體。
按一下導覽選單中的「Cloud SQL Studio」。
使用 Identity and Access Management 驗證登入 Studio。
在「Explorer」窗格中，點選所用內容集旁邊的「查看動作」。
按一下「測試脈絡資料集」。
在查詢編輯器中，按一下「產生 SQL」，開啟「幫我寫程式碼」面板。
在編輯器中輸入自然語言問題，生成 SQL 查詢，然後點選「生成」。
檢查 SQL 查詢是否正確。

下載及更新脈絡資料集

如果您對自然語言問題生成的 SQL 查詢不滿意，請下載現有的內容集檔案。接著，您可以檢查及更新查詢範本，然後將更新後的結構定義檔案重新上傳至代理程式。

如要下載及更新內容集，請按照下列步驟操作：

在「Explorer」窗格中，按一下「查看動作」。
按一下「下載脈絡資料檔案」。
按照「使用脈絡工程代理建構脈絡資料集」一文中的步驟，使用其他查詢組合更新脈絡。
在「Explorer」窗格中，點選所用內容集旁邊的「查看動作」。
按一下「編輯內容集」。
在「上傳背景資訊集檔案」部分中，按一下「瀏覽」，然後選取更新後的背景資訊集檔案。
按一下「儲存」即可更新內容集。

確認回覆內容準確無誤後，即可使用 QueryData 端點將應用程式連結至內容集。

找出脈絡資料集 ID

如要將資料應用程式連結至 QueryData 代理，您需要脈絡資料集的 ID。

前往 Google Cloud 控制台的 Cloud SQL 頁面。

前往 Cloud SQL
從清單中選取執行個體。
按一下導覽選單中的「Cloud SQL Studio」。
使用 Identity and Access Management 驗證登入工作室。
在「Explorer」窗格中，點選所用內容集旁邊的「查看動作」。
按一下「編輯內容集」。
請注意「脈絡資料集 ID」中的脈絡 ID。脈絡資料集 ID 格式類似於 projects/data-agents-project/locations/us-east1/contextSets/bdf_pg_all_templates。

將 QueryData 連結至應用程式

在 QueryData 方法呼叫中設定內容集 ID，為 AlloyDB、Spanner、Cloud SQL 和 PostgreSQL 適用的 Cloud SQL 等資料庫資料來源提供撰寫的內容。詳情請參閱「為資料庫資料來源定義資料代理程式環境」。

測試完內容集後，您可以在 QueryData 呼叫中參照資料庫資料來源。

包含撰寫情境的 `QueryData` 要求範例

以下範例顯示使用 cloud_sql_reference 資料庫資料來源的 QueryData 要求。agent_context_reference.context_set_id 欄位用於連結至資料庫中預先撰寫的內容。

{
  "parent": "projects/context-set-project/locations/us-central1",
  "prompt": "How many accounts in the Prague region are eligible for loans?? A3 contains the data of region.",
  "context": {
    "datasource_references": [
      {
        "cloud_sql_reference": {
          "database_reference": {
            "engine": "POSTGRESQL"
            "project_id": "context-set-project",
            "region": "us-central1",
            "instance_id": "context-set-primary",
            "database_id": "financial"
          },
          "agent_context_reference": {
            "context_set_id": "projects/context-set-project/locations/us-east1/contextSets/bdf_pg_all_templates"
          }
        }
      }
    ]
  },
  "generation_options": {
    "generate_query_result": true,
    "generate_natural_language_answer": true,
    "generate_disambiguation_question": true,
    "generate_explanation": true
  }
}

要求主體包含下列欄位：

prompt：終端使用者的自然語言問題。
context：包含資料來源的相關資訊。
- datasource_references：指定資料來源類型。
  - cloud_sql_reference：查詢資料庫時必須提供。這個欄位會根據您查詢的資料庫而有所不同。
    - database_reference：指定與資料庫執行個體相關的資訊。
      - engine：資料庫引擎。Cloud SQL 執行個體請設為 POSTGRESQL。
      - project_id：資料庫執行個體的專案 ID。
      - region：Cloud SQL 執行個體的區域。
      - instance_id：Cloud SQL 執行個體的執行個體 ID。
      - database_id：資料庫 ID。
    - agent_context_reference：連結至資料庫中撰寫的內容。
      - context_set_id：儲存在資料庫中的完整情境集 ID。例如：projects/context-set-project/locations/us-east1/contextSets/bdf_gsql_gemini_all_templates。
generationOptions：設定要產生的輸出內容類型。
- generate_query_result：設為 true 可產生並傳回查詢結果。
- generate_natural_language_answer：選用。如果設為 true，就會生成自然語言答案。
- generate_explanation：選用。如果設為 true，系統會生成 SQL 查詢的說明。
- generate_disambiguation_question：選用。如果設為 true，系統會在查詢內容模稜兩可時生成消歧問題。

範例 `QueryData` 回應

以下是 QueryData 呼叫成功的回應範例：

{
  "generated_query": "-- Count the number of accounts in Prague that are eligible for loans\nSELECT\n  COUNT(DISTINCT \"loans\".\"account_id\")\nFROM \"loans\"\nJOIN \"district\" -- Join based on district ID\n  ON \"loans\".\"district_id\" = \"district\".\"district_id\"\nWHERE\n  \"district\".\"A3\" = 'Prague'; -- Filter for the Prague region",
  "intent_explanation": "The question asks for the number of accounts eligible for loans in the Prague region. I need to join the `district` table with the `loans` table to filter by region and count the distinct accounts. The `A3` column in the `district` table contains the region information, and I'll filter for 'Prague'. The `loans` table contains information about loans, including the `account_id` and `district_id`. I will join these two tables on their respective district IDs.",
  "query_result": {
    "columns": [
      {
        "name": "count"
      }
    ],
    "rows": [
      {
        "values": [
          {
            "value": "2"
          }
        ]
      }
    ],
    "total_row_count": 1
  },
  "natural_language_answer": "There are 2 accounts in Prague that are eligible for loans."
}