Agentes próximos aos seus dados.

Os agentes exigem informações confiáveis e operações controladas. Oracle AI Database fornece recursos próximos aos dados: busca vetorial, construção de agentes, orquestração com Select AI Agent e integração com MCP. Cada um resolve uma parte diferente do problema.

Conceitos de Chave

AI Vector Search encontra elementos semanticamente próximos. Soldado Agent Factory oferece construção visual de agentes e fluxos de trabalho. Select AI Agent Permite configurar agentes, tarefas, ferramentas e equipamentos usando recursos de banco de dados. O MCP Server de Autonomous AI Database Expandir ferramentas para clientes suportados. Um não substitui automaticamente o outro.

Módulo Objetivos

Explicar incorporação, procurar similaridade e sua diferença com RAG.
Produção de trilhas, armazenamento, indexação e consulta vetorial.
Escolha entre pesquisa, construção visual, equipamentos de agente e exposição MCP.
Mantenha dados permissões mesmo que a consulta chegue em uma linguagem natural.

Vetor e semelhança.

A Incorporando representa dados usando uma lista de números gerados por um modelo. Sua utilidade depende de como as relações relevantes são refletidas nesse espaço. Duas frases podem ser as mesmas sem compartilhar palavras exatas, e uma busca semântica pode recuperar o relação.

Para texto, o caminho é texto → tokenizer → modelo → vetor. tokens pode ser palavras ou partes de palavras, contar palavras não significa contar tokens. Se o limite de entrada do modelo for ultrapassado, o conteúdo pode ser truncado. É por isso que dividimos documentos longos antes de gerar incorporações. A tamanho justo e Sobreposição entre fragmentos para preservar o contexto e verificar a recuperação com perguntas representativas sem aplicar um número universal. Oracle explique isso. Mudanças e... Parâmetros de fragmentação.

O modelo de incorporação de documentos e consultas deve produzir representações apoiadas: mudar dimensões ou modelo sem regenerar e validar a comparação de quebras de dados. A métrica de distância também importa. Cosseno. foca-se em orientação. Euclidiano mede a separação geométrica. Escolha a métrica recomendada para o modelo e verifique sua conduta com exemplos de seu domínio.

A coluna. VECTOR permite armazenar incorporações com identificadores, texto, preços ou permissões. A busca vetorial pode ser combinada com filtros relacionais. "Semanticamente semelhante" não significa "verdadeiro" nem "autorizado". Aplique restrições de acesso antes de fornecer o documento modelo.

Vector Search Fluxo de trabalho

Prepare e divida conteúdo em fragmentos compreensíveis, preservando origem e metadados.
Gera incorporações com um modelo compatível, dentro da base com ONNX como apropriado ou com um serviço externo.
Salvar seus vetores com seus dados de negócios e seus identificadores.
Avaliar se um índice vetorial deve ser criado: HNSW usando uma estrutura de e-graph IVF agrupando vetores em divisórias. Índice A acelera alguns cenários com compromissos recursos e recuperação.
Gera a incorporação da consulta, procura similaridade e aplica filtros SQL. Se você construir RAG, dê os fragmentos relevantes para LLM para formular uma resposta com fontes.

Essa turnê depende do Fluxo de trabalho oficial de AI Vector Search. A indexação é opcional por escala e alvo. Uma busca exata pode ser útil como referência. RAG adiciona geração sobre conteúdo recuperado: este não é outro nome para salvar vetores.

Em uma implementação, DBMS_VECTOR_CHAIN Permite a Corrente UTL_TO_TEXT para extrair texto, UTL_TO_CHUNKS Para dividir e UTL_TO_EMBEDDINGS Para produzir vetores, a saída de cada estágio alimenta o seguinte. Você tem que configurar o modelo e verificar os requisitos do Oracle Text e do fornecedor escolhido. e... Guia utilitários Detalha essas condições.

Exemplo passo a passo

A tenda A tem descrições de mochilas e o usuário quer "uma mochila leve para usar laptop, por menos de solas 200."

Primeiro, mantém descrição, preço, categoria e incorporação de cada produto. Converta a demanda em um vetor compatível com os existentes. Recupera semanticamente candidatos próximos e filtra preço e disponibilidade com dados estruturados. Ele pede e verifica que a descrição realmente menciona espaço para laptop. Finalmente, ele apresenta opções e seus atributos apoiados pela tabela.

Que educação SQL significa uma mesa productosSua coluna. embedding de tipo VECTOR e o vetor de referência ligado como :query_embedding. Use. COSINE Só se o modelo corresponder a eles. FETCH EXACT torna explícita uma busca exata para os três vizinhos mais próximos que cumprem os filtros. Consulta Exatamente a sintaxe oficial de busca..

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;

Também tente uma consulta incomparável e um produto semanticamente próximo, mas supera o preço. A resposta certa pode ser: "Eu não encontrei uma opção que preenchesse as duas condições." A semelhança não permite que eles ignorem as restrições e inventem ações.

A solução completa: resposta com evidência

Os dois ramos resolvem necessidades diferentes. O busca semântica. Reformas fragmentos relevantes para fundamentar uma resposta. a Consulta SQL Obtém resultados estruturados, por exemplo, o estado e uma quantidade de ordem. Ambos requerem monitorar as informações que podem ser encontradas com a condução de uma operação. Mudar dados ou executar uma ação de negócios também requer uma ferramenta autorizada e sua validação.

Como ler o imagem: para "que política ela se aplica?" selecione recuperação documental; "Quanto esse cliente pagou?" indica consulta estruturada. Os conectores representam relações de referência e resposta, e não representam uma sequência rígida. Nenhum modelo recebe acesso direto irrestrito à base, nem essa visão significa que LLM é executado dentro do Oracle AI Database.

Soldado Agent Factory

Agent Factory oferece agentes preparados e um construtor visual para conectar fontes, modelos e ferramentas. Trabalho especial foi realizado nas notas do curso. Knowledge Agente... Data Analysis Agent, focado em dados estruturados. A documentação de versão 26.7 também inclui Deep Dados Agente de Pesquisa; impede memorizar vários agentes como se eles nunca mudassem. Consulta Introdução oficial.

Para uma política assistente, estabeleça uma fonte aprovada, verifique a ingestão, faça perguntas com uma resposta conhecida e verifique citações. Para análise, verifique o significado de tabelas e coluna. O construtor visual facilita a montagem, mas ainda requer monitoramento de acesso, testes e implantação. "Private" não mostra que todos os modelos estão alojados em sua rede: check endpoints e datashow.

Reproduz primeiro o circuito mínimo: Chat Entrada → Agente com LLM configurado → Saída Chat. Conecta entradas e entradas compatíveis; Sem uma fonte ou ferramenta adicional, esse fluxo não checa seus dados de negócios. O Componentes oficiais Explique essas conexões. Salvar e teste em Playground.; Então publique o fluxo e configure a autenticação do endpoint para invocá-lo de outra aplicação, seguindo o Guia Agent Builder.

Select AI Agent

Select AI Agent articula Ferramentas., tarefas, Agentes. y Equipes.. A ferramenta oferece uma operação A tarefa define trabalhos. Um agente faz isso com suas capacidades; Equipe A coordena entradas. Pode haver uma ordem sequencial ou um supervisor que seleciona tarefas. As visões históricas ajudam a observar execuções, de acordo com Conceitos oficiais.

O pacote. DBMS_CLOUD_AI_AGENT Gerencie essas capacidades e perfis IA configurem o acesso do modelo. Que o agente está integrado com a base não significa que os pesos do LLM estão alojados dentro do motor. Não confunda esse caso com uma incorporação do modelo ONNX admitida na base.

MCP em Autonomous AI Database

O servidor gerenciado permite que você descubra e invoque ferramentas Select AI Agent de aplicativos MCP suportados. Os controles de identificação e banco de dados ainda são importantes: credenciais, papéis, políticas de linha, rede e auditoria delimitam o acesso. Perfil A com contexto de moldura ajuda a gerar consultas, mas não garante SQL direito ou substituir permissões. O Arquitetura oficial do servidor descreve estas camadas.

Distinguir três implementações de ferramentas: uma ferramenta SQL usa um perfil NL2SQL para traduzir perguntas. A ferramenta RAG Recupera o conhecimento por meio de uma busca vetorial. A ferramenta personalizada chamadas a Função PL/SQLPor exemplo, para consultar o inventário. Eles estão registrados com DBMS_CLOUD_AI_AGENT.CREATE_TOOLe a sua Tipos e requisitos. Gerar SQL não autoriza seu execução: o aplicativo e a ferramenta têm que limitar as ações que foram autorizadas e a base aplicando os privilégios da identidade performática. Verifique quais ferramentas estão registradas. MCP.

Erros comuns.

Considere incorporar uma cópia legível do documento.
Assumir que um índice aproximado sempre recupera exatamente os mesmos vizinhos que uma busca exata.
Para fundir geração de SQL com permissão para funcionar.
Dizer que usar um modelo local remove toda a latência.

Exercício de seleção.

Você quer dois aplicativos externos para consultar um recurso de inventário autorizado sem hospedar outro servidor MCP. Qual é a capacidade dele e o que você não deveria desistir?

Solução

O MCP Server gerenciado Autonomous AI Database pode exibir ferramentas de framework Select AI Agent como versão e configuração suportadas. Ainda assim você tem que definir a ferramenta, permissões, identidade do cliente e conectividade. O protocolo não garante que cada usuário possa consultar qualquer inventário e não converter uma função de leitura em uma autorização de escrita.

Fontes e revisão

Voltar para AI Vector Search, Agent Factory, Select AI Agent y Autonomous MCP Server. Para fechar o módulo, atribua uma capacidade a todas as necessidades: pesquisar, montar, orquestrar ou exibir ferramentas.