Resumo
Como consultar tabelas e documentos com agentes e workflows de LangGraph?
O caso de gestão de campanhas usa oito tabelas de ofertas, segmentos, canais e interações. Os arquivos CSV são carregados, e os comentários das colunas fornecem contexto ao Select AI. Os documentos de empréstimos em PDF são incorporados com OCI Document Understanding e preparados para RAG com LangChain e Oracle AI Vector Search.
A demonstração compara quatro padrões de LangGraph. Um agente escolhe entre Select AI e RAG conforme a consulta. Depois, são testados a execução paralela das duas ferramentas, o routing configurado e um orquestrador que distribui tarefas predefinidas e reúne os resultados com um sintetizador.
Consultam-se ofertas de empréstimos, copia-se o SQL gerado e confere-se o resultado em Autonomous. Também se recupera conteúdo dos documentos PDF. O percurso reúne dados relacionais e documentos centralizados em Oracle Autonomous Database, com o apoio de OCI Generative AI.
Início
A demonstração apresenta um caso financeiro de gestão de campanhas que combina dados relacionais e documentos. O percurso compara formas de organizar consultas com agentes e workflows de LangGraph.
Gestão de campanhas e caso do modelo de dados
O caso usa oito tabelas de campanhas, ofertas, segmentos, canais e interações de usuários. São examinadas as relações entre campanhas e segmentos, campanhas e ofertas e os canais associados. Esse modelo fornece a parte relacional do exemplo: as perguntas posteriores sobre empréstimos usam as tabelas centralizadas em Autonomous.
Carregando comentários tabelas CSV e coluna
O assistente de carga importa as tabelas dos arquivos CSV. O apresentador destaca os comentários das colunas como contexto para o Select AI interpretar os campos e suas relações. As descrições explicam, por exemplo, como uma chave estrangeira se relaciona com outra tabela. Após a carga, o modelo relacional fica disponível em Autonomous para perguntas em linguagem natural.
Ingerir PDF com OCI Document Understanding
Após a carga das tabelas, documentos de empréstimos pessoais em PDF são incorporados com OCI Document Understanding. Essa segunda fonte complementa os dados relacionais com conteúdo documental, preparando as informações para as consultas com RAG dos exemplos seguintes.
Revisão tabelas e dados Autonomous
Verifica-se a presença das tabelas carregadas no banco Autonomous. São examinadas a tabela de campanhas e os comentários de suas colunas. Depois, localiza-se a tabela de documentos, ligando a revisão do modelo relacional à preparação das consultas documentais.
texto, metadados e incorporações para RAG
Consulta-se a tabela de documentos para examinar os campos de texto, metadados e embeddings. O apresentador relaciona essa estrutura às bibliotecas Oracle AI Vector Search e LangChain usadas na recuperação documental. O conteúdo e sua representação vetorial preparam as buscas para responder perguntas com um LLM.
Select AI e RAG agente de ferramentas
O primeiro exemplo conecta um agente a duas ferramentas: uma consulta dados relacionais com Select AI e a outra recupera informações documentais com RAG. Ambas usam informações centralizadas em Autonomous. O percurso mostra a escolha da ferramenta conforme a solicitação, antes de comparar esse comportamento com os workflows seguintes.
Consulta oferece Select AI
A pergunta solicita ofertas de campanhas de empréstimos com prazo superior a 24 meses e pede o uso de Select AI. O agente envia a consulta à ferramenta e apresenta a resposta ao usuário. O SQL gerado fica disponível para conferir o resultado diretamente no esquema do banco.
Validação da consulta SQL em Autonomous
O SQL gerado é copiado e executado no esquema de Autonomous que contém as tabelas do exemplo. A consulta não retorna linhas, confirmando a resposta do assistente: não foram encontradas ofertas de empréstimos com prazo superior a 24 meses. Essa verificação compara a mensagem em linguagem natural com o resultado real da consulta.
Consulta documento usando RAG
A pergunta seguinte trata dos documentos carregados. Dessa vez, o agente usa RAG e recupera informações relevantes. O exemplo mostra a escolha da recuperação documental após a consulta relacional anterior, mantendo as duas fontes em Autonomous.
Paralisação e agregação de respostas.
O workflow de paralelização envia a mesma consulta às ferramentas Select AI e RAG. O teste pergunta sobre clientes que solicitaram um empréstimo pessoal de valor superior a 10000. Um agregador combina as informações recebidas em uma resposta composta. O apresentador explica que essa síntese pode ser organizada de formas diferentes conforme a configuração do fluxo.
Redondo entre Select AI e RAG
O terceiro exemplo usa routing para direcionar a consulta conforme a lógica configurada. Repete-se uma pergunta anterior, e a rota escolhida leva a RAG; o apresentador explica que esse comportamento foi preconfigurado. Uma consulta posterior sobre documentos PDF segue a mesma rota. Os testes mostram o efeito da configuração sobre a escolha da ferramenta, sem enviar sempre a consulta às duas.
Orquestra, tarefas e síntese dos resultados
O orquestrador trabalha com tarefas específicas e predefinidas, como preparar um relatório ou uma análise. O percurso apresenta a tarefa recebida pelo LLM e distribui solicitações às ferramentas Select AI e RAG. Ambas procuram informações para atendê-la, e um sintetizador reúne os resultados. No exemplo, descreve-se uma concatenação para compartilhar a resposta com o usuário.
Integração de componentes e fechamento
O encerramento reúne os componentes: LangGraph organiza agentes e workflows, OCI Generative AI apoia as consultas e Oracle AI Vector Search recupera informações documentais em Autonomous. O percurso mostra como centralizar perguntas em linguagem natural sobre fontes relacionais e documentos.
Recursos relacionado
- Oracle IA LangGraph Código e guia do projeto
- LangGraph - Agentes, paralelos, roteamento e orquestração
- Oracle Select AI - Consulta em linguagem natural
- Oracle AI Vector Search - Integração com LangChain
- OCI Document Understanding - Documento Processamento
- OCI Generative AI - Primeiros passos com modelos