Documentation sur Oracle Cloud Infrastructure

À propos de Select AI Agent

Select AI Agent (cadre d'agent autonome) est un programme permettant de créer et de gérer des agents interactifs et autonomes dans Autonomous AI Database. 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 alimentée par un profil d'IA spécifié pour le LLM avec le modèle agéntique ReAct (Reasoning and Acting).

Select AI Agent permet l'utilisation d'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 multi-tours, en maintenant le contexte entre les conversations. Ensemble, ces capacités prennent en charge une IA générative évolutive et contextuelle qui s'intègre aux données et aux flux de travail de l'entreprise.

L'ensemble DBMS_CLOUD_AI_AGENT encapsule les limites de gestion, d'orchestration et de sécurité. Pour plus de détails, voir Ensemble DBMS_CLOUD_AI_AGENT.

Rubriques

  • Caractéristiques de certains agents d'IA
    Les principales caractéristiques comprennent une intelligence intégrée, des outils flexibles, des conversations contextuelles et un déploiement plus rapide.
  • ReAct Logique
    Sélectionnez l'agent d'intelligence artificielle qui utilise la logique ReAct (Motif et Agissant) lorsque 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 d'IA
    Sélectionner l'agent d'IA organise 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 d'intelligence artificielle

Fonctionnalités de Select AI Agents

Les principales caractéristiques comprennent une intelligence intégrée, des outils flexibles, des conversations tenant compte du contexte 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 des outils, évaluent les observations et mettent à jour leur approche lorsque les résultats ne répondent pas aux attentes. Cette boucle renforce la précision, réduit le réusinage et maintient les conversations sur la bonne voie.

  • Outillage flexible :

    Prendre en charge la RAG et NL2SQL intégrés, les procédures PL/SQL personnalisées et les services REST externes, sans composants d'orchestration ou infrastructure distincte, afin de conserver la logique de base de données tout en intégrant des capacités externes, le cas échéant.

  • Conversations en fonction du contexte :

    Maintenez une mémoire à court et à long terme pour garder le contexte dans les virages, personnaliser les réponses, stocker les préférences et prendre en charge le contrôle humain en boucle pour les corrections et les confirmations lors de sessions multitours. 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 évaluateurs humains.

  • Évolutivité et sécurité :

    Exécuter dans Autonomous AI Database, hériter de ses contrôles de sécurité, de ses vérifications et de son rendement, réduire le déplacement des données et normaliser la gouvernance pour les déploiements d'entreprise et les environnements réglementés à l'échelle. Les agents bénéficient des caractéristiques de sécurité, d'audit et de performance des bases de données. Le fait de 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 SQL et PL/SQL familiers, réutilisez les procédures existantes et expédiez les fonctionnalités plus rapidement tout en gardant la logique proche des données opérationnelles et des équipes sans créer d'infrastructure distincte.

Logique ReAct

Sélectionnez AI Agent utilise la logique ReAct (Motif et action) où 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 pour le LLM alterne entre le raisonnement et les actions au moyen des outils. La base de données traite ces actions et renvoie les observations.

Voici le modèle pour chaque itération :

  1. Interrogation : L'utilisateur pose une question ou émet une demande. L'agent le lit, extrait les détails clés et se prépare à planifier les étapes suivantes.

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

  3. Observation : Les observations incluent les résultats d'outil ou d'interrogation, les messages de confirmation et les erreurs. Ceux-ci deviennent des entrées dans 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 suffisamment de pensées et d'observations réussies, l'agent compose une réponse claire, explique les décisions importantes et partage les prochaines étapes ou actions de suivi.

Sélectionner une architecture d'agent d'IA

Sélectionnez AI Agent 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 de l'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 ordonnée d'actions. Il choisit des outils qui correspondent aux politiques, à la portée des données et aux résultats attendus.

Utilisation de l'outil : L'utilisation de l'outil sélectionne et exécute l'outil pour chaque action. Les types pris en charge sont la RAG, NL2SQL, les procédures PL/SQL personnalisées pouvant être ajoutées lorsque vous créez un outil et des services REST externes tels que la recherche Web et le courriel. Chaque étape appelle un outil avec des paramètres. Les outils intégrés gèrent l'extraction et la génération SQL. Le code 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 y a 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 plan 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. Vous pouvez interroger les pensées de l'agent d'intelligence artificielle à l'aide de USER_CLOUD_AI_CONVERSATION_PROMPTS. Pour plus d'informations, voir Vues DBMS_CLOUD_AI.

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 des messages récents et des 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 dans toutes les sessions, améliorant ainsi l'orientation et la qualité des réponses au fil du temps entre les équipes d'agents.