Documentation Oracle Cloud Infrastructure

A propos de Select AI Agent

Select AI Agent (structure d'agent autonome) est un programme de création et de gestion d'agents interactifs et autonomes au sein d'une base de données Autonomous AI. Les agents raisonnent sur les demandes, appellent des outils, réfléchissent aux résultats et maintiennent le contexte avec une mémoire à court et à long terme optimisée par un LLM spécifié par un profil d'IA avec le modèle agénétique ReAct (raisonnement et acte).

Select AI Agent permet d'utiliser des outils intégrés tels que la RAG et le langage naturel vers SQL (NL2SQL), des procédures PL/SQL personnalisées et des API REST externes pour effectuer des tâches. La structure conserve la mémoire à plusieurs tours, en maintenant le contexte entre les conversations. Ensemble, ces fonctionnalités prennent en charge une IA générative évolutive et contextuelle qui s'intègre aux données et aux workflows de l'entreprise.

Le package DBMS_CLOUD_AI_AGENT encapsule les limites de gestion, d'orchestration et de sécurité. Pour plus d'informations, reportez-vous à Package DBMS_CLOUD_AI_AGENT.

Sujets

  • Caractéristiques de certains agents d'IA
    Les principales fonctionnalités incluent l'intelligence intégrée, des outils flexibles, des conversations contextuelles et un déploiement plus rapide.
  • ReAct Logique
    Sélectionnez l'agent AI à l'aide de la logique ReAct (motif et action) dans laquelle l'agent motive la demande, choisit des outils, effectue des actions et évalue les résultats pour atteindre un objectif.
  • Sélectionner l'architecture de l'agent AI
    Sélectionnez l'agent AI pour organiser le travail en quatre couches : Planification, Utilisation des outils, Réflexion et Gestion de la mémoire. Ces couches coordonnent le raisonnement, les exécutions d'outils, l'évaluation et les interactions multi-tours contextuelles.

Rubrique parent : Sélectionner un agent AI

Fonctionnalités de Select AI Agents

Les fonctionnalités clés incluent l'intelligence intégrée, des outils flexibles, des conversations contextuelles et un déploiement plus rapide.

  • Intelligence intégrée :

    Combine la planification, l'utilisation des outils et la réflexion afin que les agents puissent raisonner sur les tâches, choisir et exécuter des outils, observer les résultats, ajuster les plans et améliorer les réponses tout au long de la conversation. Les agents planifient les étapes, exécutent les outils, évaluent les observations et mettent à jour leur approche lorsque les résultats manquent d'attentes. Cette boucle renforce la précision, réduit les reprises et maintient les conversations sur la bonne voie.

  • Outils flexibles :

    Prendre en charge et utiliser des RAG et NL2SQL intégrés, des procédures PL/SQL personnalisées et des services REST externes, sans composants d'orchestration ni infrastructure distincte, afin de conserver la logique centrale dans la base de données tout en intégrant des fonctionnalités externes selon les besoins.

  • Conversations contextuelles :

    Conservez la mémoire à court et à long terme pour conserver le contexte dans les virages, personnaliser les réponses, stocker les préférences et prendre en charge le contrôle en boucle des corrections et des confirmations lors des sessions à plusieurs virages. La mémoire à court terme maintient le dialogue actuel cohérent. La mémoire à long terme enregistre les préférences et les résultats antérieurs, soutenant les interactions de suivi et la surveillance par les réviseurs humains.

  • Evolutivité et sécurité :

    Exécuter dans une base de données d'IA autonome, hériter de ses contrôles de sécurité, de ses audits et de ses performances, réduire le mouvement des données et standardiser la gouvernance pour les déploiements d'entreprise et les environnements réglementés à grande échelle. Les agents bénéficient des caractéristiques de sécurité, d'audit et de performances des bases de données. Garder le traitement proche des données réduit les mouvements et s'aligne sur les pratiques de gouvernance.

  • Développement plus rapide :

    Définissez des agents, des tâches et des outils avec des langages SQL et PL/SQL familiers, réutilisez les procédures existantes et livrez les fonctionnalités plus rapidement tout en maintenant une logique proche des données opérationnelles et des équipes sans créer d'infrastructure distincte.

Logique ReAct

Sélectionner l'agent AI utilise la logique ReAct (Motif et action) dans laquelle l'agent motive la demande, choisit des outils, effectue des actions et évalue les résultats pour atteindre un objectif.

ReAct combine le raisonnement et l'action dans une boucle. L'agent pense, choisit un outil, observe les résultats et se répète jusqu'à ce qu'il puisse présenter une réponse confiante. Le profil d'IA de l'utilisateur spécifié LLM alterne entre le raisonnement et les actions via les outils. La base de données traite ces actions et renvoie les observations.

Voici le modèle de chaque itération :

  1. Requête : l'utilisateur pose une question ou indique une demande. L'agent le lit, extrait les détails de la clé et se prépare à planifier les étapes suivantes.

  2. Pensée et action : l'agent explique les options, choisit un outil et l'exécute pour collecter des données ou modifier l'état selon les besoins pour la tâche.

  3. Observation : les observations incluent les résultats des outils ou des requêtes, les messages de confirmation et les erreurs. Ceux-ci deviennent des entrées pour le prochain cycle de raisonnement de l'agent. L'agent enregistre les observations et vérifie si les résultats prennent en charge l'étape suivante ou la réponse finale.

  4. Réponse finale : Après une réflexion et des observations suffisamment réussies, l'agent compose une réponse claire, explique les décisions importantes et partage les prochaines étapes ou actions de suivi.

Sélectionner l'architecture de l'agent AI

Sélectionnez l'agent AI pour organiser le travail en quatre couches : Planning, Tool Use, Reflection et Memory Management. Ces couches coordonnent le raisonnement, les exécutions d'outils, l'évaluation et les interactions multi-tours contextuelles.

Planification : Planning interprète la demande utilisateur, la divise en actions ordonnées, sélectionne les outils candidats et rédige un plan à l'aide du contexte de session, des résultats précédents et des connaissances pertinentes. L'agent analyse la demande, identifie les détails manquants et propose une séquence d'actions ordonnée. Il choisit des outils adaptés à la politique, à la portée des données et aux résultats attendus.

Utilisation de l'outil : Tool Use sélectionne et exécute l'outil pour chaque action. Les types pris en charge sont les procédures RAG, NL2SQL, PL/SQL personnalisées qui peuvent être ajoutées lorsque vous créez un outil, et les services REST externes tels que la recherche Web et les courriels. Chaque étape appelle un outil avec des paramètres. Les outils intégrés gèrent l'extraction et la génération SQL. Le langage PL/SQL personnalisé encapsule la logique du domaine. Les outils REST se connectent à des services externes.

Réflexion : la réflexion évalue les résultats de l'outil par rapport aux attentes et passe à la réponse finale. L'agent compare les observations à l'objectif. Si les résultats semblent erronés ou s'il existe des erreurs d'appel d'outil ou des résultats désapprouvés par l'utilisateur, l'agent révise le raisonnement, choisit un autre outil ou met à jour le protocole avant de réessayer. Lorsque les résultats ne correspondent pas, il ajuste le plan, sélectionne différents outils ou peut poser des questions de clarification avant de continuer. Les pensées de l'agent AI peuvent être interrogées à l'aide de USER_CLOUD_AI_CONVERSATION_PROMPTS. Pour plus d'informations, reportez-vous à DBMS_CLOUD_AI Vues.

Gestion de la mémoire : la gestion de la mémoire stocke le contexte de session et les connaissances par équipe d'agent. La mémoire à court terme contient les messages récents et les résultats intermédiaires par équipe d'agent. La mémoire à long terme enregistre les préférences, l'historique et les stratégies, améliorant ainsi la continuité, la personnalisation et la planification. La mémoire à long terme conserve des connaissances utiles au cours des sessions, améliorant ainsi la qualité des conseils et des réponses au fil du temps au sein des équipes d'agents.