Agenti vicini ai vostri dati

Gli agenti richiedono informazioni affidabili e operazioni controllate. Oracle AI Database offre funzionalità di dati vicine: ricerca vettoriale, costruzione agente, orchestrazione con Select AI Agent e integrazione con MCP. Ognuno risolve una parte diversa del problema.

Concetti Chiave

AI Vector Search trova elementi semanticamente vicini. Privato Agent Factory offre la costruzione visiva di agenti e flussi di lavoro. Select AI Agent Consente di configurare agenti, attività, strumenti e attrezzature utilizzando le funzionalità del database. The MCP Server da Autonomous AI Database Espandi gli strumenti per i clienti supportati. Uno non sostituisce automaticamente l'altro.

Modulo Obiettivi

Spiegare le incorporazioni, cercare la somiglianza e la sua differenza con RAG.
Produzione pista, archiviazione, indicizzazione e consultazione vettoriale.
Scegli tra ricerca, costruzione visiva, attrezzatura agente e esposizione MCP.
Tenere i dati autorizzazioni anche se la consultazione arriva in una lingua naturale.

Vettore e somiglianza

A embedding rappresenta i dati utilizzando un elenco di numeri generati da un modello. La loro utilità dipende da come le relazioni rilevanti si riflettono in quello spazio. Due frasi possono essere circa la stessa senza condividere parole esatte, e una ricerca semantica può ottenere che relazione indietro.

Per il testo, il percorso è testo → tokenizer → modello → vettore. token può essere parole o parti di parole: Per contare le parole non significa contare token. Se il limite di ingresso del modello è superato, il contenuto può essere troncato. Ecco perché dividiamo documenti lunghi prima di generare embeddings. A dimensione equa e sovrapposizione tra frammenti per preservare il contesto e controllare il recupero con domande rappresentative senza applicare un numero universale. Oracle spiega questi modifiche e Parametri di frammentazione.

Il modello di embeddings del documento e della consultazione dovrebbe produrre rappresentazioni supportate: dimensioni di cambiamento o modello senza generare e convalidare il confronto delle interruzioni di dati. La distanza metrica conta anche. Cosi'. si concentra sulla guida. Euclideo misura la separazione geometrica. Scegli la metrica consigliata per il modello e controlla la sua condotta con esempi del tuo dominio.

La colonna VECTORE consente di memorizzare embeddings con identificatori, testo, prezzi o autorizzazioni. La ricerca vettoriale può essere combinata con filtri relazionali. "Semanticamente simili" non significa né "vero" né "autorizzato"; applicare le restrizioni di accesso prima di fornire il documento modello.

Flusso di lavoro del vettore Search

Preparare e dividere il contenuto in frammenti comprensibili, preservando l'origine e i metadati.
Genera embeddings con un modello compatibile, all'interno della base con ONNX se del caso o con un servizio esterno.
Salva i tuoi vettori con i tuoi dati aziendali e i tuoi identificatori.
Valutare se un indice vettoriale dovrebbe essere creato: HNSW utilizzando una struttura e-graph IVF raggruppare vettori in partizioni. L'indice A accelera alcuni scenari con gli impegni risorse e il recupero.
Genera l'integrazione della consultazione, cerca somiglianza e applica i filtri SQL. Se si costruisce RAG, dare i frammenti rilevanti a LLM per formulare una risposta con le fonti.

Quel tour si basa sul flusso di lavoro ufficiale di AI Vector Search. L'indicizzazione è facoltativa per scala e obiettivo. una ricerca esatta può essere utile come riferimento. RAG aggiunge generazione di contenuti recuperati: questo non è un altro nome per salvare vettori.

In un'attuazione, DBMS_VECTOR_CHAIN permette di Catena UTL_TO_TEXT per estrarre il testo, UTL_TO_CHUNKS per dividere e UTL_TO_EMBEDDINGS Per produrre vettori: l'output di ogni fase alimenta il seguente. È necessario impostare il modello e controllare i requisiti di Oracle Text e il fornitore scelto. e Guida utilità dettagli queste condizioni.

Esempio guidato

A tenda ha descrizioni dello zaino e l'utente vuole "uno zaino leggero da indossare laptop, per meno di suole 200."

In primo luogo, mantiene la descrizione, il prezzo, la categoria e l'integrazione di ogni prodotto. Convertire la domanda in un vettore compatibile con quelli esistenti. Si recupera semanticamente chiudono candidati e filtri prezzo e disponibilità con dati strutturati. Esso ordina e verifica che la descrizione menziona davvero spazio per il computer portatile. Infine, presenta opzioni e i loro attributi supportati dalla tabella.

Che SQL educativo significa un tavolo productosla sua colonna embedding di tipo VECTOR e il vettore di riferimento legato come :query_embedding. Uso COSINE solo se il modello corrisponde a loro. FETCH EXACT rende esplicita una ricerca esatta per i tre vicini più vicini che soddisfano i filtri. Query esatta sintassi di ricerca ufficiale.

SELECT nombre, precio, descripcion
FROM productos
WHERE precio < 200 AND stock > 0
ORDER BY VECTOR_DISTANCE(embedding, :query_embedding, COSINE)
FETCH EXACT FIRST 3 ROWS ONLY;

Anche provare una consultazione senza pari e un prodotto che è semanticamente vicino, ma supera il prezzo. La risposta giusta può essere "Non ho trovato un'opzione che soddisfa entrambe le condizioni." La somiglianza non permette loro di ignorare le restrizioni e inventare le azioni.

Soluzione completa A: risposta con le prove

I due rami risolvono diverse esigenze. The ricerca semantica Riforma frammenti rilevanti per giustificare una risposta. a Consultazione SQL ottiene i risultati strutturati, ad esempio la stato e una quantità di ordine. Entrambi richiedono il monitoraggio di quali informazioni possono essere trovate con la conduzione di un'operazione. Per modificare i dati o eseguire un'azione aziendale richiede anche uno strumento autorizzato e la sua validazione.

Come leggere la immagine: per "quale politica si applica?" selezionare recupero documentario; per "quanto ha pagato questo cliente?" indica la consultazione strutturata. I connettori rappresentano relazioni di riferimento e di risposta, e non rappresentano una sequenza rigida. Nessun modello riceve non limitato accesso diretto alla base, né questo significa che LLM funziona all'interno di Oracle AI Database.

Privato Agent Factory

Agent Factory offre agenti preparati e un costruttore visivo per collegare fonti, modelli e strumenti. Il lavoro speciale è stato svolto nelle note del corso Agente di conoscenzae Agente di analisi Dati, focalizzata sui dati strutturati. La documentazione di versione 26.7 include anche agente di ricerca profondo Dati; impedisce di memorizzare un certo numero di agenti come se non cambiassero mai. Query Introduzione ufficiale.

Per una politica assistente, impostare una fonte approvata, controllare l'ingestione, fare domande con una risposta nota e controllare le citazioni. Per l'analisi, controllare il significato tabelle e colonna consentito. Il costruttore visivo facilita il montaggio ma richiede ancora il monitoraggio dell'accesso, il test e distribuzione. "Private" non mostra che tutti i modelli sono alloggiati sulla tua rete: controlla gli endpoint e la datashow.

Riproduce prima il circuito minimo: Chat Input → Agente con un LLM configurato → Chat Uscita. Collega ingressi e ingressi compatibili; Senza una fonte o uno strumento aggiuntivo, tale flusso non controlla i dati aziendali. The componenti ufficiali spiegare queste connessioni. Salva e prova a Parco giochi; quindi pubblicare il flusso e configurare l'autenticazione dello endpoint per richiamarlo da un'altra applicazione, seguendo la Guida Agent Builder.

Select AI Agent

Articolazione Select AI Agent strumenti, compiti, agenti y Squadre. Lo strumento A offre un'operazione A che definisce i lavori. un agente lo fa con le sue capacità; Il team A coordina gli input. Ci può essere un ordine sequenziale o un supervisore che selezionano i compiti. I punti di vista della storia aiutano a osservare le esecuzioni, secondo concetti ufficiali.

Il pacchetto DBMS_CLOUD_AI_AGENT gestire queste funzionalità e i profili IA configurano l'accesso del modello. Che l'agente è integrato con la base non significa che i pesi della LLM sono alloggiati all'interno del motore. Non confondere il caso con l'esecuzione di un modello di embeddings ONNX ammesso nella base.

MCP a Autonomous AI Database

Il server gestito consente di scoprire e richiamare gli strumenti Select AI Agent dalle applicazioni MCP supportate. I controlli di identificazione e database sono ancora importanti: le credenziali, i ruoli, le politiche di riga, la rete e l'audit delimita l'accesso. Il profilo A con contesto frame aiuta a generare query, ma non garantisce il diritto SQL o sostituire autorizzazioni. The architettura ufficiale del server descrive questi strati.

Distinguere tre strumenti implementazioni: uno strumento SQL utilizza un profilo NL2SQL per tradurre domande. Strumento A RAG riconquista la conoscenza per mezzo di una ricerca vettoriale. A strumento personalizzato chiamate a Funzione PL/SQLper esempio consultare l'inventario. Essi sono registrati con DBMS_CLOUD_AI_AGENT.CREATE_TOOLe il suo tipi e requisiti. Generare SQL non autorizza il tuo esecuzione: l'applicazione e lo strumento devono limitare le azioni che sono state autorizzate e la base che applica i privilegi dell'identità performante. Controllare quali strumenti sono registrati di MCP.

Errori comuni

Si consideri una copia leggibile del documento.
Assumere che un indice approssimativo recuperi sempre esattamente gli stessi vicini di una ricerca esatta.
Per unire la generazione di SQL con autorizzazione da eseguire.
Per dire che usando un modello locale rimuove tutta la latenza.

Esercizio Selezione

Si desidera che due applicazioni esterne per consultare una funzione di inventario autorizzata senza ospitare un altro server MCP. Qual e' la sua capacita' e cosa non dovresti rinunciare?

Soluzione

La MCP Server gestita Autonomous AI Database può visualizzare gli strumenti quadro Select AI Agent come versione e configurazione supportati. Tuttavia è necessario definire lo strumento, autorizzazioni, l'identità del cliente e la connettività. Il protocollo non garantisce che ogni utente può consultare qualsiasi inventario e non converte una funzione di lettura in un'autorizzazione di scrittura.

Fonti e recensioni

Torna indietro a AI Vector Search, Agent Factory, Select AI Agent y Autonomous MCP Server. Per chiudere il modulo, assegnare una capacità ad ogni esigenza: cercare, assemblare, orchestrare o visualizzare strumenti.