Agents d'IA de la partie V

Ce chapitre fournit des informations sur la création, le test, le déploiement et la surveillance d'agents dans votre espace de travail.

Les agents sont des applications agentiques de bout en bout. Les agents sont définis via un graphique d'étapes représenté par des noeuds de différents types (déclencheurs, agents, garde-corps ou outils). Les agents peuvent être définis via un générateur de flux visuel sans code et via du code via des bibliothèques tierces, telles que LangGraph.

Oracle AI Data Platform Workbench propose plusieurs modèles d'outil qui peuvent être configurés pour accéder à vos données et répondre à vos cas d'utilisation. Les outils pris en charge sont :

• Outil personnalisé : l'outil Code personnalisé permet aux développeurs d'agent d'étendre la plate-forme de données AI avec leur propre code Python. Vous packagez votre implémentation d'outil en tant que fichier ZIP, vous la téléchargez vers votre espace de travail et vous la configurez. L'agent appelle votre code en tant qu'outil, avec les paramètres fournis par le LLM lors de l'exécution.
• HTTP : l'outil de demande HTTP permet à votre agent d'appeler n'importe quelle API REST HTTPS. Vous configurez la demande, y compris la méthode, l'URL, les en-têtes, les paramètres de requête, le corps de la demande, l'authentification et, éventuellement, une étape d'optimisation de la réponse. L'agent appelle ensuite l'adresse lors de l'exécution. L'outil de demande HTTP est disponible dans le générateur visuel et dans le générateur de code. Dans le générateur de code, l'outil est configuré via la bibliothèque Python aidpUtils.
• Invite : l'outil d'invite permet au développeur d'IA de définir une invite paramétrée qui peut être émise à un LLM pour son choix. Les cas d'utilisation courants d'un outil d'invite incluent les tâches de rédaction d'e-mails, les tâches de traduction, la conversion de style, le message de validation git et les explications de code.
• Serveur MCP distant : les développeurs d'agent peuvent connecter leurs agents à des serveurs MCP (Remote Model Context Protocol) à l'aide de l'outil Serveur MCP distant.
• RAG : l'outil RAG permet aux agents d'extraire les connaissances externes pertinentes avant de générer une réponse. Dans AI Data Platform Workbench, l'outil RAG interroge une base de connaissances (23ai Vector Search) et extrait des blocs de documents sémantiquement pertinents. Ces blocs sont ensuite transmis à l'agent pour génération de réponse.
• SQL : l'outil SQL permet aux agents d'exécuter des requêtes SQL sur des sources de données structurées inscrites via des catalogues externes, tels qu'Oracle Autonomous AI Lakehouse, Oracle Autonomous AI Transaction Processing ou Oracle AI Database. L'outil est destiné aux scénarios dans lesquels les requêtes SQL sont prédéfinies et peuvent être paramétrées. L'objectif est de laisser un agent affecter des valeurs aux paramètres. Cet outil n'est pas un outil NL2SQL qui génère une requête SQL basée sur une invite en langage naturel.

  Remarques :

  L'outil SQL effectue uniquement des interrogations sur les données d'un catalogue externe. Il ne prend pas en charge les données stockées dans un catalogue standard.

Remarques :

Vous devez attacher un calcul AI à votre agent avant de pouvoir tester un outil système. Si aucun calcul n'est associé, l'onglet Test est désactivé.

La création d'agents dans AI Data Platform Workbench génère un fichier d'artefact d'agent (.aflow) dans le dossier d'espace de travail que vous sélectionnez. Ce fichier ne peut pas être modifié.