Sintesi
Come interrogare tabelle e documenti con agenti e workflow di LangGraph?
Il caso di gestione delle campagne utilizza otto tabelle relative a offerte, segmenti, canali e interazioni. Si caricano file CSV e si esaminano i commenti delle colonne che forniscono contesto a Select AI. I documenti sui prestiti in PDF vengono acquisiti con OCI Document Understanding e preparati per RAG con LangChain e Oracle AI Vector Search.
La dimostrazione confronta quattro schemi di LangGraph. Un agente sceglie tra Select AI e RAG in base alla richiesta. Si provano poi esecuzione parallela dei due strumenti, routing configurato e un orchestratore che assegna compiti predefiniti e riunisce i risultati con un sintetizzatore.
Si interrogano le offerte di prestito, si copia il SQL generato e si verifica il risultato in Autonomous. Si recuperano anche contenuti dai documenti PDF. Il percorso integra dati relazionali e documenti centralizzati in Oracle Autonomous Database, con il supporto di OCI Generative AI.
Inizio
La dimostrazione presenta un caso finanziario di gestione delle campagne che combina dati relazionali e documenti. Il percorso confronta diverse forme di organizzazione delle richieste con agenti e workflow di LangGraph.
Gestione della campagna e caso del modello di dati
Il caso utilizza otto tabelle di campagne, offerte, segmenti, canali e interazioni degli utenti. Si esaminano le relazioni tra campagne e segmenti, campagne e offerte e i canali associati. Questo modello costituisce la parte relazionale: le successive domande sui prestiti usano le tabelle centralizzate in Autonomous.
Caricamento tabelle CSV e commenti della colonna
La procedura guidata importa le tabelle dai file CSV. Il relatore sottolinea il ruolo dei commenti delle colonne come contesto per interpretare campi e relazioni con Select AI. Le descrizioni spiegano, per esempio, come una chiave esterna si colleghi a un’altra tabella. Dopo il caricamento, il modello relazionale è disponibile in Autonomous per domande in linguaggio naturale.
PDF Ingest con OCI Document Understanding
Dopo il caricamento delle tabelle, si acquisiscono documenti sui prestiti personali in PDF mediante OCI Document Understanding. Questa seconda fonte completa i dati relazionali con contenuti documentali, preparando le informazioni per le richieste RAG successive.
Dati Revisione tabelle e Autonomous
Si verifica la presenza delle tabelle caricate nel database Autonomous. Si esaminano la tabella delle campagne e i commenti delle colonne. Si individua poi la tabella dei documenti, collegando la verifica del modello relazionale alla preparazione delle richieste documentali.
testo, metadati e incorporazioni per RAG
Si interroga la tabella dei documenti per esaminare testo, metadati ed embeddings. Il relatore collega questa struttura alle librerie Oracle AI Vector Search e LangChain per il recupero documentale. Il contenuto e la rappresentazione vettoriale preparano la ricerca delle informazioni per rispondere con un LLM.
Agente di strumenti Select AI e RAG
Il primo esempio collega un agente a due strumenti: uno interroga dati relazionali con Select AI, l’altro recupera informazioni documentali con RAG. Entrambi usano informazioni centralizzate in Autonomous. Il percorso mostra la scelta dello strumento in base alla richiesta, prima del confronto con i workflow successivi.
Query offre con Select AI
La domanda chiede offerte di campagne di prestito con durata superiore a 24 mesi e richiede Select AI. L’agente invia la richiesta allo strumento e presenta la risposta all’utente. Il SQL generato permette di verificare il risultato direttamente nello schema del database.
Convalida della consultazione SQL a Autonomous
Il SQL generato viene copiato ed eseguito nello schema Autonomous con le tabelle dell’esempio. La query non restituisce righe, confermando la risposta dell’assistente: nessuna offerta di prestito con durata superiore a 24 mesi. Il controllo confronta il messaggio in linguaggio naturale con il risultato effettivo.
Documento Query utilizzando RAG
La domanda successiva riguarda i documenti caricati. L’agente usa RAG e recupera informazioni pertinenti. L’esempio mostra la scelta del recupero documentale dopo la precedente interrogazione relazionale, mantenendo entrambe le fonti in Autonomous.
Paralisi e aggregazione delle risposte
Il workflow di parallelizzazione invia la stessa richiesta a Select AI e RAG. Il test riguarda clienti che hanno richiesto un prestito personale di importo superiore a 10000. Un aggregatore combina le informazioni ricevute in una risposta composta. Il relatore spiega che la sintesi può essere organizzata in modi diversi secondo la configurazione del flusso.
Arrotondamento tra Select AI e RAG
Il terzo esempio usa il routing per indirizzare la richiesta secondo la logica configurata. Si ripete una domanda precedente e la rotta scelta conduce a RAG; il relatore spiega che tale comportamento era preconfigurato. Anche una successiva richiesta su documenti PDF segue quella rotta. I test mostrano come la configurazione determini lo strumento usato, senza inviare sempre la richiesta a entrambi.
Orchestra, compiti e sintesi dei risultati
L’orchestratore gestisce compiti specifici e predefiniti, come preparare un rapporto o un’analisi. Il percorso presenta il compito assegnato al LLM e distribuisce richieste a Select AI e RAG. Entrambi cercano informazioni per svolgerlo e un sintetizzatore riunisce i risultati. L’esempio descrive una concatenazione per condividere la risposta con l’utente.
Integrazione di componenti e chiusura
La conclusione riunisce i componenti: LangGraph organizza agenti e workflow, OCI Generative AI supporta le richieste e Oracle AI Vector Search recupera informazioni documentali in Autonomous. Il percorso mostra come centralizzare domande in linguaggio naturale su fonti relazionali e documenti.
Risorse relativo
- Oracle IA LangGraph - Codice e guida del progetto
- LangGraph - agenti, parallelismo, routing e orchestrazione
- Oracle Select AI - Consultazione in lingua naturale
- Oracle AI Vector Search - Integrazione con LangChain
- OCI Document Understanding - documento Elaborazione
- OCI Generative AI - I primi passi con i modelli