파트 V AI 에이전트

이 장에서는 작업 영역에서 에이전트를 생성, 테스트, 배치 및 모니터하는 방법에 대한 정보를 제공합니다.

에이전트는 엔드투엔드 에이전트 응용 프로그램입니다. 에이전트는 다양한 유형(트리거, 에이전트, 난간 또는 도구)의 노드로 표시되는 단계 그래프를 통해 정의됩니다. 에이전트는 노코드 시각적 흐름 빌더 및 LangGraph와 같은 타사 라이브러리를 통해 코드를 통해 정의할 수 있습니다.

Oracle AI Data Platform Workbench는 데이터에 액세스하고 사용 사례에 맞게 구성할 수 있는 다양한 도구 템플릿을 제공합니다. 지원되는 도구는 다음과 같습니다.

• 사용자 정의 도구: 사용자 정의 코드 도구를 사용하면 에이전트 개발자가 자체 Python 코드로 AI 데이터 플랫폼을 확장할 수 있습니다. 도구 구현을 ZIP 파일로 패키지화하고 작업 영역에 업로드한 다음 구성합니다. 에이전트는 런타임 시 LLM에서 제공하는 매개변수를 사용하여 코드를 도구로 호출합니다.
• HTTP: HTTP 요청 도구를 사용하면 에이전트가 HTTPS REST API를 호출할 수 있습니다. 메소드, URL, 헤더, query 파라미터, 요청 본문, 인증 및 선택적으로 응답 최적화 단계를 포함한 요청을 구성합니다. 그러면 에이전트가 런타임 시 끝점을 호출합니다. HTTP 요청 도구는 시각적 빌더와 코드 빌더 모두에서 사용할 수 있습니다. 코드 빌더에서 이 도구는 aidpUtils Python 라이브러리를 통해 구성됩니다.
• 프롬프트: 프롬프트 도구를 사용하면 AI 개발자가 선택한 LLM에 실행할 수 있는 매개변수화된 프롬프트를 정의할 수 있습니다. 프롬프트 도구의 일반적인 사용 사례에는 전자메일 제도 태스크, 번역 태스크, 스타일 변환, Git 커밋 메시지 및 코드 설명이 포함됩니다.
• 원격 MCP 서버: 에이전트 개발자는 원격 MCP 서버 도구를 사용하여 에이전트를 원격 MCP(모델 컨텍스트 프로토콜) 서버에 연결할 수 있습니다.
• RAG: 에이전트는 RAG 도구를 사용하여 응답을 생성하기 전에 관련 외부 지식을 가져올 수 있습니다. AI 데이터 플랫폼 워크벤치에서 RAG 도구는 지식 기반(23ai Vector Search)을 쿼리하고 의미상 관련된 문서 청크를 검색합니다. 그런 다음 이러한 청크는 응답 생성을 위해 에이전트로 전달됩니다.
• SQL: 에이전트는 SQL 도구를 사용하여 Oracle Autonomous AI Lakehouse, Oracle Autonomous AI Transaction Processing, Oracle AI Database 등 외부 카탈로그를 통해 등록된 구조화된 데이터 소스에 대해 SQL 쿼리를 실행할 수 있습니다. 이 도구는 SQL query가 미리 정의되어 있고 파라메트화할 수 있는 시나리오를 위한 것입니다. 목표는 에이전트가 매개변수에 값을 할당하도록 하는 것입니다. 이 도구는 자연어 프롬프트를 기반으로 SQL query를 생성하는 NL2SQL 도구가 아닙니다.

  주:

  SQL 도구는 외부 카탈로그의 데이터에 대해서만 query를 수행합니다. 표준 카탈로그에 저장된 데이터는 지원하지 않습니다.

주:

시스템 툴을 테스트하려면 먼저 에이전트에 AI 컴퓨트를 연결해야 합니다. 연결된 컴퓨트가 없는 경우 Test(테스트) 탭이 사용 안함으로 설정됩니다.

AI 데이터 플랫폼 워크벤치에서 에이전트를 생성하면 선택한 작업영역 폴더에 에이전트 아티팩트 파일(.aflow)이 생성됩니다. 이 파일은 수정할 수 없습니다.