使用 Select AI 从自然语言提示生成 SQL
Select AI 功能允许 Autonomous AI Database 使用具有大语言模型 (LLM) 的生成式 AI 将用户的输入文本转换为 Oracle SQL。选择 AI 将处理自然语言提示，使用元数据补充提示，然后生成并运行 SQL 查询。
关于选择 AI
使用自然语言通过 SQL 与数据库和 LLM 进行交互，以提高用户工作效率并开发基于 AI 的应用。选择 AI 可使用生成式 AI 简化和自动化，包括从自然语言提示生成、运行和解释 SQL、使用向量存储的检索增强生成、生成合成数据或与 LLM 聊天。
使用 Select AI 时， Autonomous AI Database 可管理将自然语言转换为 SQL 的过程。这意味着您可以提供自然语言提示，而不是 SQL 代码来与数据交互。Select AI 可作为 SQL 用户和开发人员的工作效率工具，让非专家 SQL 用户无需了解数据结构或技术语言即可从数据中获取有用的洞察。
选择 AI 还会自动执行检索增强生成 (RAG) 流程，从生成向量嵌入到使用向量存储通过语义相似性搜索根据提示检索相关内容。其他功能包括合成数据生成、支持对话的聊天历史记录以及其他功能，所有这些功能都来自 SQL 界面。
DBMS_CLOUD_AI 程序包支持与用户指定的 LLM 集成，以便使用自然语言提示生成 SQL 代码。对于生成 SQL 的自然语言，此程序包会向包含相关数据库方案元数据的 LLM 提供增强提示。这允许基于自然语言提示生成、运行和解释 SQL 查询。它还可以使用向量存储和合成数据生成来促进检索增强生成，并允许与 LLM 聊天。DBMS_CLOUD_AI 软件包适用于 Select your AI Provider and LLMs 中列出的 AI 提供者。
注意：
-
您必须拥有 AI 提供者的账户，并通过 Autonomous AI Database 使用的
DBMS_CLOUD_AI对象提供凭证。 -
您可以用多种语言提交提示。结果的质量取决于所使用的特定 LLM 或嵌入模型（变压器）的能力。检查您的 LLM 或嵌入模型文档以获得多语言支持。
受支持的平台
Autonomous AI Database Serverless 和 Autonomous AI Database 在 Dedicated Exadata Infrastructure 和 Cloud at Customers 上支持 Select AI。
- Autonomous AI Database（自治 AI 数据库） 无服务器
- Autonomous AI Database 基于专用 Exadata 基础设施
- 基于专用 Exadata 基础设施的自治 AI 数据库区域
- 自治 AI 数据库 Cloud@Customer
相关术语
在使用 Select AI 之前，了解与 Select AI 一起使用的各种术语非常重要。
以下是与“选择 AI”功能相关的术语：
| 术语 | 定义 |
|---|---|
| 对话 |
Select AI 中的对话表示用户与系统之间的交互式交换，允许用户通过一系列自然语言提示查询或与数据库交互。选择 AI 会合并基于会话的短期对话，以根据以前的交互为当前提示生成上下文感知响应。最多将 10 个以前的提示合并到当前请求中，并进行短期对话，从而创建发送到 LLM 的增强提示。Select AI 支持使用可定制的长期对话，使您可以将 Select AI 与不同主题一起使用，而无需混合上下文，这些上下文可以通过来自 DBMS_CLOUD_AI 程序包的对话 API 进行配置。有关更多详细信息，请参见 Use and Customize Conversations 。 |
|
数据库身份证明 |
数据库身份证明是用于访问数据库并与数据库进行交互的验证身份证明。它们通常由用户名和密码组成，有时由其他验证因素（如安全令牌）补充。这些身份证明用于在应用程序或用户与数据库之间建立安全连接，确保只有授权的个人或系统才能访问和处理数据库中存储的数据。 |
|
LLM 的发音 |
大语言模型上下文中的幻觉是指模型生成不正确、无意义或与输入提示无关的文本的现象。尽管是模型试图生成一致文本的结果，但这些实例可以包含虚构、误导或纯粹想象的信息。幻觉可能是由于训练数据存在偏见，缺乏适当的上下文理解，或者模型训练过程存在局限性。 |
| IAM | Oracle Cloud Infrastructure Identity and Access Management (IAM) 支持您控制谁可以访问您的云资源。您可以控制一组用户具有哪些类型的访问权限以及哪些特定资源。要了解更多信息，请参阅身份和访问管理概览。 |
| 元数据 |
元数据是用于描述数据的数据。对于 Select AI，元数据是数据库元数据，它指的是描述数据库表和视图的结构、组织和属性的数据。 对于数据库表和视图，元数据包括列名和类型、约束条件和键、视图定义、关系、沿袭、质量和新鲜度指示器、安全分类和访问策略。管理良好的元数据支持可发现性、正确使用、性能优化和合规性。选择 AI 会使用包含表定义的表元数据（表名、列名及其数据类型）以及表和列注释、注释和约束条件（可选）来增强 NL2SQL 提示。 |
| 元数据扩充 |
通过高质量的说明、注释和注释来增强数据库方案的练习，以便 LLM 可以更好地了解表和列的意图，阐明业务含义并生成更准确的 SQL。它将裸表或列名转换为有清晰意图、关系和约束条件的有充分记录的资产。 要包括的候选人信息：
有关使用 Oracle SQL Developer for VS Code 通过 Visual Studio Code 添加此类元数据的更多信息，请参见 AI 扩充概述。 |
|
自然语言提示 |
自然语言提示是人类可读的指令或请求，用于指导生成式 AI 模型，例如大型语言模型。用户无需使用特定的编程语言或命令，而是可以通过以更会话或自然语言形式输入提示来与这些模型进行交互。然后，模型将根据提供的提示生成输出。 |
|
网络访问控制列表 (ACL) |
网络访问控制列表是一组规则或权限，用于定义允许哪些网络流量通过网络设备（例如路由器、防火墙或网关）。ACL 用于根据 IP 地址、端口号和协议等各种标准来控制和过滤传入和传出流量。它们在网络安全方面发挥着关键作用，使管理员能够管理和限制网络流量，以防止未经授权的访问、潜在攻击和数据泄露。 |
|
相似性搜索 |
相似性搜索通过比较向量存储中的特征向量来标识和检索与给定查询密切匹配的数据点。 |
|
矢量距离 |
向量距离通过计算特征向量在多维空间中的距离来测量特征向量之间的相似性或差异。 |
|
向量索引 |
向量索引组织和存储特征向量，以便高效地搜索和检索相关数据。 |
|
向量存储 |
向量存储包括用于存储、管理和启用涉及向量嵌入的语义相似性搜索的系统。这包括独立的向量数据库和 Oracle Database 23ai AI Vector Search。 |
选择 AI 用例
选择 AI 可增强数据交互，使开发人员能够直接从 SQL 构建 AI 驱动的应用，将自然语言提示转换为 SQL 查询和文本响应，支持与 LLM 的聊天交互，使用 RAG 增强当前数据的响应准确性，以及生成合成数据。
使用场景包括：
-
从自然语言提示生成 SQL
开发人员工作效率：选择 AI 可以快速提供“启动”SQL 查询，从而显著提高开发人员工作效率。开发人员可以输入自然语言提示，而 Select AI 将根据数据库方案表和视图生成 SQL。这减少了从头开始编写复杂查询所需的时间和工作，使开发人员能够专注于优化生成的查询以满足其特定需求。
面向最终用户的自然语言查询：Select AI 可让最终用户使用自然语言查询与应用的底层数据表和视图进行交互。利用此功能，没有 SQL 专业知识的用户可以直接提出问题并检索数据，从而相对于所使用的 LLM 功能和可用的方案元数据的质量而言，数据访问更加直观且用户友好。
用于 SQL 生成的其他功能：自然语言到 SQL 生成还支持以下突出显示的功能：
-
指定方案或表或视图：通过选择 AI，可以指定包含方案以及该方案中的表或视图（可选）的对象列表。
-
自动检测相关表元数据：选择 AI 会自动检测相关表，并仅在 Oracle Database 26ai 中为与查询相关的特定表发送元数据。
- 限制表访问：通过选择 AI，您可以通过仅考虑 AI 概要信息属性中列出的用于 SQL 生成的表来限制表访问。
- 为列指定区分大小写：选择 AI 可使用户指定区分大小写，以便 LLM 从数据库和 LLM 生成不区分大小写的响应。
-
-
对话
使用 Select AI 启用类似于聊天机器人的功能，使用户能够进行自然对话来查询数据和执行操作。这些聊天可以跟踪上下文，提供后续答案，以澄清或扩展原始问题。此场景可增强互动，并通过对话简化复杂查询。
-
使用 Select AI Agent 的代理工作流
使用 Select AI Agent 为多步骤方案（例如数据检索和通知）协调代理、工具（SQL、RAG、Websearch、Notifications）和任务。要了解详细信息，请参阅使用 Select AI Agent 构建自治代理。
-
定制媒体生成
Select AI 可用于生成个性化媒体内容，例如针对各个客户详细信息量身定制的电子邮件。例如，在提示中，您可以指示 LLM 创建友好且乐观的电子邮件，鼓励客户尝试一组推荐的产品。这些建议可以基于客户人口统计数据或数据库中提供的其他特定信息。此级自定义功能可直接向客户提供相关且富有吸引力的内容，从而增强客户互动。
-
生成代码
通过 Select AI
chat操作，您可以使用 Select AI 要求指定的 LLM 从自然语言提示生成代码。此功能支持各种编程语言，例如 SQL、Python、R 和 Java。示例包括：- Python Code ：编写 Python 代码，在 DataFrame 上计算一个包含 ACTUAL 和 PREDICTED 列的混淆矩阵。
- SQL DDL ：为 SQL 表编写 DDL，其中包含列名称、年龄、收入和国家（地区）。
- SQL 查询：“编写 SQL 查询，该查询将使用名为 CHURN_DT_MODEL 的 Oracle Machine Learning 数据库内模型来预测哪些客户会流失，以及可能性有多大。”
-
检索增强生成 (RAG)
使用向量存储内容进行语义相似性搜索，以提高 LLM 响应的及时准确性和相关性。
-
综合数据生成
使用与方案相符的 LLM 生成合成数据，以进行解决方案测试、概念验证和其他用途。合成数据可以支持在没有真实数据的情况下对应用程序进行更好的测试，从而提高应用程序的整体质量。
使用准则
提供使用指南，确保有效和正确地使用自然语言提示生成 SQL，以确保增强用户体验。
预期用途
此功能用于生成和运行由用户提供的自然语言提示生成的 SQL 查询。它自动执行用户可以根据其模式元数据以及他们选择的大型语言模型 (LLM) 手动执行的操作。
虽然可以提供任何提示，包括与 SQL 查询结果生成无关的提示，但 Select AI 侧重于 SQL 查询生成。选择 "AI" 可使用 chat 操作提交一般请求。
提示 - 增强数据
数据库使用数据库元数据增强用户指定的提示，以缓解 LLM 的幻觉。然后，向用户指定的 LLM 发送增强提示以生成查询。
数据库仅使用方案元数据来增强提示。此元数据可能包括方案定义、表和列注释以及数据字典和目录中可用的内容。为了生成 SQL，数据库在增加提示时不提供表或视图内容（实际行或列值）。
但是，narrate 操作确实将查询的结果（其中可能包含数据库数据）提供给用户指定的 LLM，从中生成描述查询结果的自然语言文本。
警告:
大型语言模型 (LLM) 经过了广泛的文本文档和内容的培训，通常来自互联网。因此，LLM 可能会包含来自无效或恶意内容的模式，包括 SQL 注入。因此，虽然 LLM 擅长生成有用和相关的内容，但它们也可以生成不正确和错误的信息，包括产生不准确结果和/或损害数据安全性的 SQL 查询。
由用户指定的 LLM 提供程序代表您生成的查询将在您的数据库中运行。贵方对本功能的使用完全由贵方自己承担风险，并且，即使与 Oracle 提供的服务相关的任何其他条款和条件，也构成贵方接受该风险，并且明确排除 Oracle 对因该使用而造成的任何损害的责任或责任。
选择您的 AI 提供商和 LLM
选择符合安全标准并符合特定需求（如文本或代码生成）的 AI 提供商和 LLM。
不同的 LLM 擅长基于其训练数据和预期目的的各种任务。一些模型对于文本生成非常出色，但在代码生成方面可能表现不佳，而其他模型则专门针对编码任务进行了优化。选择最适合您需求的 LLM。
| AI 提供方 | LLM | RAG 的嵌入模型 | 用途 |
|---|---|---|---|
|
OCI 生成式 AI |
|
请参阅关于在生成式 AI 中嵌入模型。 |
OCI Generative AI Chat 模型支持所有 OCI 生成文本模型仅支持 要配置配置文件属性，请参见 Profile Attributes 。 |
|
Azure OpenAI 服务 |
|
文本嵌入 -ada-002 |
最适合从自然语言提示、 |
|
OpenAI |
|
文本嵌入 -ada-002 |
最适合从自然语言提示、 |
|
OpenAI 兼容 |
与 OpenAI 兼容的提供程序提供的模型，例如：
|
从 OpenAI 兼容提供程序嵌入模型。例如，请参阅 Fireworks AI embedding models 。 |
支持各种用例。 |
|
Cohere |
|
embed-english-v2.0 |
最适合 |
|
|
|
text-embedding-004（默认） |
最适合从自然语言提示、 |
|
人造 |
|
NA |
最适合从自然语言提示、 |
|
Hugging Face |
|
NA |
最适合从自然语言提示、 |
|
AWS |
|
支持各种用例。 |
注意：
-
通过
provider_endpoint而非provider参数指定与 OpenAI 兼容的提供程序。请参见 Profile Attributes 。 -
对于接受图像的模型，请使用
meta.llama-3.2-90b-vision-instruct。该模型专门针对视觉和图像进行训练。虽然它可以用于文本和 SQL 生成，但该模型最适合图像。要了解更多信息，请参阅在 OCI Generative AI 中聊天。meta.llama-3.2-11b-vision-instruct模型提供了强大的多模式功能。 -
嵌入模型也称为变压器模型。
使用 DBMS_CLOUD_AI 配置 AI 配置文件
Autonomous AI Database 使用 AI 配置文件来简化和配置对 LLM 的访问，并设置基于自然语言提示生成、运行和解释 SQL。它还可以使用嵌入模型和向量索引来促进检索增强生成，并允许与 LLM 聊天。
AI 配置文件包括作为自然语言查询目标的数据库对象。这些目标中使用的元数据可以包括数据库表名、列名、列数据类型和注释。可以使用 DBMS_CLOUD_AI.CREATE_PROFILE 和 DBMS_CLOUD_AI.SET_PROFILE 过程创建和配置 AI 配置文件。
要求 DBMS_CLOUD_AI
运行 DBMS_CLOUD_AI 需要以下命令：
- 访问 Oracle Cloud Infrastructure 云账户和 Autonomous AI Database 实例。
- 支持的 AI 提供程序的付费 API 账户，其中之一：
-
OpenAI：要允许 OpenAI 从自然语言提示生成 SQL，请从 OpenAI 付费账户获取 API 密钥。
您可以在您的用户设置中找到您的密钥 API。
-
Cohere：要允许 Cohere 从自然语言提示生成 SQL，请从 Cohere 付费账户获取 API 密钥。
单击 Dashboard（显示板），然后单击左侧导航上的 API Keys（API 密钥）。复制默认 API 密钥或创建其他密钥。有关更多信息，请参见 API-Keys 。
-
Azure OpenAI 服务：要启用 Azure OpenAI 服务，可以从自然语言提示生成 SQL，请配置并提供对 AI 提供程序的访问。
要使用 Azure OpenAI 服务，请执行以下步骤：
- 获取密钥 API 密钥。您可以在 Azure 门户的 Resource Management 部分中找到 API 密钥。在 Azure OpenAI 服务资源页面上，单击密钥和端点。您可以复制 KEY1 或 KEY2。
- 创建 Azure OpenAI 服务资源并部署模型：创建和部署 Azure OpenAI 服务资源。
提示：
- 请注意资源名称和部署名称，因为这些参数用于提供网络访问权限并使用
DBMS_CLOUD_AI.CREATE_PROFILE过程创建 Azure OpenAI 服务配置文件。 - 要了解有关模型上每分钟令牌速率限制的更多信息，请参见 Azure OpenAI 服务配额和限制。
- 请注意资源名称和部署名称，因为这些参数用于提供网络访问权限并使用
- 允许访问 Azure OpenAI 服务：
- 您可以使用密钥 API 密钥来允许访问 Azure OpenAI 服务。要了解更多信息，请参见 Examples of Using Select AI 中的示例。
- OCI 生成式 AI：请参见 How to Generate the API Signing Key 。
- Google：要允许 Google AI Studio 生成对自然语言提示的 SQL 和文本响应，请从 Google AI Studio 付费账户获取 API 密钥。
- 转至 Google AI Studio 。
- 单击“Sign In to Google AI Studio（登录到 Google AI Studio）”。
- 在提示屏幕上单击 "Get API key"。
- 在下一页上选择所有适用的选项。
- 单击 "Create API key"。
-
在新项目中单击“Create API key（创建 API 密钥）”。
屏幕显示进度并生成 API 密钥。复制密钥并保存。
- Anthropic：要允许 Anthropic Developer Console 生成对自然语言提示的 SQL 和文本响应，请从 Anthropic Developer Console 付费账户获取 API 密钥。
- 转至 Anthropic Developer Console 。
- 注册一个帐户，如果你还没有一个。
- 登录后，导航到 API 部分或仪表盘。
- 查找用于生成或查看 API 密钥的选项。
- 单击此项可创建新 API 密钥。
-
复制生成的 API 密钥并保存它。
Claude API 是付费服务。您需要先向账户添加储值，然后才能使用 API 密钥。
- Hugging Face（拥抱面）：要允许 Hugging Face 作为 AI 提供商生成对自然语言提示的 SQL 和文本响应，请从 Hugging Face 付费账户获取 API 密钥。
- 转至 Hugging Face 。
- 注册一个帐户，如果你还没有一个。
- 导航到您的账户设置。
- 在导航菜单中找到访问令牌。
- 单击此项可创建新 API 密钥。
- 复制生成的 API 密钥并保存它。
-
AWS：要启用 AWS，请获取 API 密钥和模型 ID。
获取 API 密钥并使用它来通过
DBMS_CLOUD.CREATE_CREDENTIAL创建身份证明。按照以下过程获取您的 API 密钥和模型名称：
- 如果您还没有 AWS 账户，请注册 AWS 账户。
- 从 AWS Bedrock Console 创建访问密钥和密钥。
- 复制生成的密钥并保存。
- 请求访问其基础模型。请参阅访问 Amazon Bedrock 基础模型。
- 获取模型 ID。在
DBMS_CLOUD_AI.CREATE_PROFILE过程中需要模型 ID。模型 ID 取决于您使用的资源。如果使用：- 基本模型，指定模型 ID 或其 ARN（Amazon 资源名称）。有关基本模型的模型 ID 的列表，请参阅 Amazon Bedrock 基本模型 ID
- 推断概要信息，指定推断概要信息 ID 或其 ARN。有关推断概要信息 ID 的列表，请参见 Supported Regions and models for cross-region inference 。
- 预配模型，指定预配吞吐量的 ARN。有关更多信息，请参见 Run inference using a Provisioned Throughput 。
- 定制模型，请为其购买预配吞吐量。然后，指定生成的预配模型的 ARN。有关详细信息，请参阅在 Amazon Bedrock 中使用定制模型。
- Amazon Bedrock Marketplace 模型，指定您创建的市场端点的 ID 或 ARN，请参阅 Amazon Bedrock Marketplace 。
注意：
Bedrock Converse API 不支持导入的模型。
要使用 AWS 作为提供商，请参阅示例：使用 AWS 选择 AI 。
-
- 用于访问外部 AI 提供程序的网络 ACL 权限。
注意：
网络 ACL 不适用于 OCI Generative AI。 - 提供对 AI 提供程序的访问权限的身份证明。
DBMS_CLOUD_AI ，请执行以下操作：
-
将对
DBMS_CLOUD_AI软件包的EXECUTE特权授予要使用 Select AI 的用户。默认情况下，仅向 ADMIN 用户授予
EXECUTE权限。ADMIN 用户可以将EXECUTE权限授予其他用户。以下示例将EXECUTE特权授予ADB_USER：grant execute on DBMS_CLOUD_AI to ADB_USER;以下示例授予
ADB_USER使用 api.openai.com 端点的权限。BEGIN DBMS_NETWORK_ACL_ADMIN.APPEND_HOST_ACE( host => 'api.openai.com', ace => xs$ace_type(privilege_list => xs$name_list('http'), principal_name => 'ADB_USER', principal_type => xs_acl.ptype_db) ); END; / -
将网络 ACL 访问权限授予希望使用 Select AI 和 AI 提供程序端点的用户。
ADMIN 用户可以授予网络 ACL 访问权限。有关详细信息，请参阅 Oracle Database 19c PL/SQL Packages and Types Reference 或 Oracle Database 26ai PL/SQL Packages and Types Reference 中的 APPEND_HOST_ACE Procedure 。
- 创建身份证明以允许访问 AI 提供程序。
有关更多信息，请参见CREATE_CREDENTIAL Procedure 。
下面是如何创建身份证明以允许访问 OpenAI 的示例。
EXECDBMS_CLOUD.CREATE_CREDENTIAL('OPENAI_CRED', 'OPENAI', 'your_api_token');
APPEND_HOST_ACE 函数参数
| Parameter (参数) | 说明 |
|---|---|
|
|
主机，可以是主机的名称或 IP 地址。可以使用通配符指定域或 IP 子网。主机或域名不区分大小写。 对于 OpenAI，请使用 api.openai.com。 对于 Cohere，请使用 api.cohere.ai。 对于 Azure OpenAI 服务，请使用 <azure_resource_name>.openai.azure.com。有关 对于 Google，请使用 generativelanguage.googleapis.com。 对于 Anthropic，请使用 api.anthropic.com。 对于 Hugging Face，请使用 api-inference.huggingface.co。 |
|
|
访问控制条目 (Access Control Entry，ACE)。提供了 |
DBMS_CLOUD.CREATE_CREDENTIAL 参数
创建和设置 AI 配置文件
介绍创建和启用 AI 配置文件的步骤。
使用 DBMS_CLOUD_AI.CREATE_PROFILE 创建 AI 配置文件。接下来，启动 DBMS_CLOUD_AI.SET_PROFILE 以启用 AI 配置文件，以便可以将 SELECT AI 与自然语言提示一起使用。
注意：
在使用 SELECT AI 之前，必须在每个新数据库会话（连接）中运行 DBMS_CLOUD_AI.SET_PROFILE 。
使用 OpenAI 提供程序的以下示例将创建一个名为 OPENAI 的 AI 配置文件，并为当前用户会话设置 OPENAI 配置文件。
-- Create AI profile
--
SQL> BEGIN
DBMS_CLOUD_AI.create_profile(
'OPENAI',
'{"provider": "openai",
"credential_name": "OPENAI_CRED",
"object_list": [{"owner": "SH", "name": "customers"},
{"owner": "SH", "name": "sales"},
{"owner": "SH", "name": "products"},
{"owner": "SH", "name": "countries"}]
}');
END;
/
PL/SQL procedure successfully completed.
--
-- Enable AI profile in current session
--
SQL> EXEC DBMS_CLOUD_AI.set_profile('OPENAI');
PL/SQL procedure successfully completed.使用 AI 关键字输入提示
在 SELECT 语句中使用 AI 作为关键字，以使用自然语言提示与数据库进行交互。
SELECT 语句中的 AI 关键字指示 SQL 执行引擎使用活动 AI 概要文件中标识的 LLM 来处理自然语言并生成 SQL。
可以在查询中使用 AI 关键字与 Oracle 客户机（例如 SQL Developer、OML Notebooks 和第三方工具）进行交互，以使用自然语言与数据库进行交互。
注意：
不能使用AI 关键字运行 PL/SQL 语句、DDL 语句或 DML 语句。
语法
SELECT AI action natural_language_prompt参数
| Parameter (参数) | 说明 |
|---|---|
|
|
使用自然语言提示符运行提供的 SQL 命令。这是默认操作，指定此参数是可选操作。 |
|
|
显示自然语言提示的 SQL 语句。 |
|
|
提示的输出用自然语言进行解释。此选项将 SQL 结果发送到 AI 提供程序以生成自然语言摘要。 |
|
|
根据提示直接从 LLM 生成响应。如果 |
|
|
从提示生成的 SQL 用自然语言进行说明。此选项将生成的 SQL 发送给 AI 提供程序以生成自然语言解释。 |
使用说明
-
Database Actions 或 APEX Service 中不支持选择
AI。只能使用DBMS_CLOUD_AI.GENERATE函数。 -
AI关键字仅在SELECT语句中受支持。 -
不能使用
AI关键字运行 PL/SQL 语句、DDL 语句或 DML 语句。 -
序列为
SELECT，后跟AI。这些关键字不敏感。配置DBMS_CLOUD_AI.SET_PROFILE后，SELECT AI后面的文本是自然语言提示。如果未设置 AI 配置文件，SELECTAI将报告以下错误：ORA-00923: FROM keyword not found where expected 00923. 00000 - "FROM keyword not found where expected" -
根据 Oracle 准则应用特殊字符使用规则。例如，如果在句子中使用撇号，则使用单引号两次。
select ai how many customers in SF don''t own their own home -
LLM 受到 hallucinations 的约束，结果并不总是正确的：
-
SELECT AI可能无法为特定的自然语言提示运行生成的 SQL。 -
SELECT AI可能无法为特定的自然语言提示生成 SQL。
在这种情况下，
SELECT AI响应信息以帮助您生成有效的 SQL。 -
-
使用
chat操作和SELECT AI chat可了解有关 SQL 构造的更多信息。要通过chat操作获得更好的结果，请使用数据库视图或带有上下文列名的表，或者考虑添加列注释来解释列中存储的值。 -
要访问 DBA 或 USER 视图，请参见 DBMS_CLOUD_AI Views 。
使用和定制对话
Select AI 支持基于会话的短期对话（在 AI 配置文件中启用），以及使用特定过程或函数和对话 ID 启用的长期命名对话。
注意：
从 19.30 版开始的 Oracle Database 19c 和从 23.26.1 版开始的 Oracle Database 26ai 中提供了对 Select AI 对话的支持。对话类型
Select AI 支持基于会话的短期对话和可定制的对话。
基于会话的短期会话：选择 AI 包括基于会话的短期会话，以根据以前的交互为当前提示生成上下文感知响应。
您可以通过将 AI 配置文件中的 conversation 属性设置为 true|false 来启用它。与多对话功能不同，基于会话的对话仅存储会话持续时间的提示。提示将存储在临时表中，会话结束时会自动删除提示，并且无法在对话之间重用和切换。
可定制的长期对话：Select AI 支持创建和使用可定制的对话，使您可以将 Select AI 与不同的主题结合使用，而无需混合上下文，从而提高灵活性和效率。您可以通过 DBMS_CLOUD_AI 对话过程和函数创建、设置、删除和更新对话。启用对话时，Select AI 将检索提示历史记录并将它们发送到 LLM，以便为当前提示生成响应。这些响应存储在持久表中供将来使用。
注意：
Select AI Conversations 支持以下操作：runsql、showsql、explainsql、narrate 和 chat。
如何使用可定制的对话
您可以通过以下方式将 Select AI 用于可定制的对话：
-
使用
DBMS_CLOUD_AI.SET_CONVERSATION_ID过程在会话中设置对话 ID，然后运行SELECT AI <ACTION> <PROMPT>。 -
在
DBMS_CLOUD_AI.GENERATE函数的params参数中传递conversation_id。
注意：
如果同时使用多个对话和conversation: [true|false] 设置，系统将忽略 conversation 设置。
在 SQL 查询生成 (NL2SQL) 的上下文中，对话提供了一种更直观和可访问的方式来处理您的数据，使用户可以更轻松地提取洞察并执行任务，而无需对 SQL 具备深入的技术知识。对话还可以与 Select AI 的聊天和 RAG 功能一起使用。
- 提出一个问题，例如“客户总数是多少”
- 跟进上下文相关问题，例如：
- “按国家/地区细分客户数”
- “什么年龄段最常见”
- “通过购买保持前 5 位客户及其所在国家/地区，并在结果中包含排名”
要启用对话，请参见 Example：Enable Conversations in Select AI 以了解完整示例。
基于会话的对话与可定制的对话
下表比较了 Select AI 中的基于会话的对话和可定制的对话：
| 问题 | 基于会话的短期对话 | 可定制的长期对话 |
|---|---|---|
|
何时使用？ |
最适合您希望模型在单个会话中记住最近问题和答案的快速临时聊天。当以后不需要保存或重复使用对话时，这很有用。 |
专为可能跨多个会话的较长或持续对话而设计。当您想要跟踪、查看或管理对话历史记录时，或者当应用程序的不同部分需要随着时间的推移访问相同的对话上下文时，它非常有用。 |
|
我如何启用？ |
在 AI 配置文件中设置 |
使用 |
|
允许进行多少次对话？ |
一。 |
您可以创建多个对话。 如果显式指定对话 ID，则可以在它们之间交替进行，以便根据需要将提示与适当的对话关联。 |
|
提示存储在何处以及保存多长时间？ |
提示存储在临时表中，并在会话结束时删除。 |
提示存储在永久表中。 提示在数据库中保留 |
|
存储了多少个提示，并向 LLM 发送了多少个提示？ |
最多存储 10 个提示并将其发送到 LLM。您无法自定义此限制。 |
将存储所有提示。 缺省情况下，系统向 LLM 发送 10 个最新提示。您可以使用 |
|
是否可以删除个人提示？ |
不可以，您不能手动删除单个提示。 |
可以使用 USER_CLOUD_AI_CONVERSATION_PROMPTS 视图中指定的提示 ID 和 |
|
AI 配置文件是否用于检索对话？ |
是。Select AI 会检索以前使用同一 AI 配置文件生成的提示和响应。 |
不可以，Select AI 会跟踪在存储提示和响应时使用的 AI 配置文件，但不会根据该配置文件限制其检索。它将所有对话历史记录发送到 LLM 以指导响应生成，而不管用于生成响应的配置文件是什么。 |
|
在哪里可以检查提示历史记录？ |
提示将保存在 CLOUD USER 下的临时表中，但无法进行查询。 |
您可以通过 |
提供反馈以改进 LLM
选择 AI 可以提供反馈，以帮助提高所选 LLM 生成更准确的 SQL 查询的能力。
注意：
此功能仅在 Oracle Database 23ai 上可用。您可以将其与现有的 Select AI 操作一起使用：runsql、showsql 和 explainsql。确保将 AI 配置文件配置为生成 NL2SQL 而不是 RAG。
您可以通过 feedback 操作或 DBMS_CLOUD_AI.FEEDBACK 过程提供反馈以提高生成的 SQL 的准确性。首次使用反馈功能时，选择 AI 会创建名为 <profile_name>_FEEDBACK_VECINDEX 的默认向量索引，其中包含默认属性。此索引有助于根据提供的反馈细化将来生成的 SQL。有关更多信息，请参见 Vector Index for FEEDBACK 。
提示：
当指定的 LLM 无法生成正确的 SQL 查询或未返回 NL2SQL SELECT AI 操作之一的预期结果时，请使用 DBMS_CLOUD_AI.FEEDBACK 过程。还可以使用 DBMS_CLOUD_AI.FEEDBACK 过程将正确的 SQL 直接添加到向量表中。这有助于作为类似提示的参考，引导将来的 SQL 生成。
-
积极的反馈：您批准并确认生成的 SQL 的准确性。系统将存储已确认的查询以供将来参考。
-
负面反馈：如果 NL2SQL
SELECT AI操作的结果未能生成正确的 SQL，则可以使用SELECT AI feedback <feedback>或使用DBMS_CLOUD_AI.FEEDBACK过程提供必要的 SQL 查询改进，方法是识别查询中的错误或提供有关散文中预期内容的指导。系统使用 LLM 细化查询，并存储精简版本以供将来生成 Select AI 查询。然后，存储的细化查询将用作提示，并作为增强提示的一部分发送到 LLM。
使用反馈的好处
Select AI 中的反馈操作和过程引入了提示优化机制，可提高 SQL 查询生成的准确性。
- 可以提高 SQL 查询的准确性。
- 允许 AI 配置文件的所有者通过确认正确的查询或提供语义意图或业务定义来生成正确的查询来提供反馈。
- 使用历史反馈作为将来生成查询的提示，从而适应您的需求。
如何提供反馈
选择 AI 可以通过使用 feedback 操作或调用 DBMS_CLOUD_AI.FEEDBACK 过程来提供反馈。
注意：
请勿在多个用户在拥有 AI 配置文件的单个数据库用户下共享数据库会话的应用程序中使用反馈操作。只有在确认更正的查询适合该配置文件的所有用户之后，AI 配置文件所有者才应提供反馈。
-
SQL_TEXT：在当前 SQL 查询的引号中包括反馈，也可以通过查询V$MAPPED_SQL视图获取特定查询的SQL_TEXT。 -
SQL_ID：您可以通过查询V$MAPPED_SQL视图来获取SQL_ID。 -
使用最后生成的 SQL：以自然语言提供反馈。
注意：
要使用最后一个 SQL，请确保在 Oracle SQL*Plus 或 Oracle SQLcl 中将服务器输出设置为关闭。您必须对sys.v_$session和v_$mapped_sql表具有READ权限。GRANT READ ON SYS.V_$MAPPED_SQL TO ADB_USER; GRANT READ ON SYS.V_$SESSION TO ADB_USER;
要了解更多信息，请参见 FEEDBACK Procedure 和 Example：Select AI FEEDBACK 。
使用属性图形查询图形数据
选择 AI 将使用自然语言在 Oracle Property Graphs 上生成属性图形查询 (PGQ)。它使用户能够以最少的 SQL 知识通过 GRAPH_TABLE 运算符查询图形数据。
Select AI 将其自然语言扩展到 SQL (NL2SQL) 功能，以图形方式显示结构，使您能够使用自然语言查询 SQL 属性图形。选择 AI 将应用 GRAPH_TABLE 运算符来解释图形结构化数据中的关系和属性。它根据 AI 概要信息中定义的数据对象生成 SQL 或 PGQ 图形查询。在 AI 配置文件中包括属性图时，Select AI 使用生成式 AI 构建通过 GRAPH_TABLE 运算符引用图形的 PGQ 查询。LLM 会自动接收图形对象的元数据，例如 CREATE PROPERTY GRAPH 语句，以生成准确的查询。指定表、视图或关系对象时，Select AI 将生成 SQL 查询。此功能可简化对存储在 Oracle AI Database 中的图形数据的模式匹配查询，并减少对手动构建 SQL 查询的依赖性。
object_list 属性中定义的一个或多个属性图形创建 AI 配置文件时，在 AI 配置文件中定义的 LLM 通过使用指定属性图形的上下文来解释提示。选择 AI 会构建一个增强提示，其中包括：
-
构建 PGQ 查询的说明。
-
描述提供的属性图形（来自其
CREATE PROPERTY GRAPH语句）的元数据。
此增强提示将发送到 LLM。选择 AI 将运行查询并返回结果。如果属性图与 AI 配置文件中的表、方案或视图等其他对象类型一起指定，则选择 AI 会引发错误。
SQL 与 PGQ
object_list 属性中定义的对象。
-
SQL 查询：使用关系数据，例如方案、表或视图。
-
PGQ 查询：使用属性图形并应用
GRAPH_TABLE运算符进行模式匹配。
有关详细信息，请参阅 SQL 属性图形和 SQL GRAPH 查询。
在属性图上使用 Select AI 的好处
数据库用户可以使用 Select AI 查询属性图形，从自然语言生成图形查询，减少手动工作并提高对图形关系的理解。
-
NL2SQL:Select AI 的 NL2SQL 功能现已扩展到图形查询，支持用户编写自然语言提示，例如“查找购买服装的客户”。
-
SQL 或 PGQ：根据数据对象，Select AI 会自动生成 SQL 或 PGQ 查询。
-
生产率：使用
GRAPH_TABLE运算符减少构建图形查询的时间和工作量。 -
对话：保留对话上下文并查询属性图。
限制
为属性图形选择 AI 不支持以下功能：
-
综合数据生成
-
将属性图形与 AI 配置文件中的其他对象类型混合
-
不受支持且间歇性的查询。有关详细信息，请参见 Example：Sample Prompts for Property Graphs 。
如何在属性图形上使用选择 AI
通过选择 AI，您可以使用 DBMS_CLOUD_AI.GENERATE 函数或使用 Select AI <action> <prompt> 浏览图形数据。
object_list 属性中定义属性图形后，可以使用：
-
SQL 命令行中的
SELECT AI <ACTION> <PROMPT>，用于生成输出。 -
DBMS_CLOUD_AI.GENERATE函数，并在函数内提供提示。
以下是支持的操作：runsql、showsql、explainsql、narrate 和 showpropmt。Select AI for Property Graph 还支持基于会话的短期和可定制的长期对话。
要了解更多信息，请参见 Example：Select AI for Property Graphs 和 Example：Sample Prompts for Property Graphs 。
使用 Select AI 的示例
了解如何将 Oracle Select AI 与各种受支持的 AI 提供商集成，以生成、运行和解释来自自然语言提示的 SQL，或者与 LLM 聊天。
示例：选择 AI 操作
以下示例说明可以对 SELECT AI 执行的操作，例如 runsql（默认值）、showsql、narrate、chat、explainsql、feedback 和 summarize。这些示例将 sh 方案与 DBMS_CLOUD_AI.CREATE_PROFILE 函数中指定的 AI 提供程序和配置文件属性结合使用。在当前会话中使用 DBMS_CLOUD_AI.SET_PROFILE 过程设置 AI 配置文件后，使用 Select AI 操作。
要生成文本摘要，请使用 SELECT AI SUMMARIZE <TEXT>。
SQL> select ai how many customers exist;
CUSTOMER_COUNT
--------------
55500
SQL> select ai showsql how many customers exist;
RESPONSE
----------------------------------------------------
SELECT COUNT(*) AS total_customers
FROM SH.CUSTOMERS
SQL> select ai narrate how many customers exist;
RESPONSE
------------------------------------------------------
There are a total of 55,500 customers in the database.
SQL> select ai chat how many customers exist;
RESPONSE
--------------------------------------------------------------------------------
It is impossible to determine the exact number of customers that exist as it con
stantly changes due to various factors such as population growth, new businesses
, and customer turnover. Additionally, the term "customer" can refer to individu
als, businesses, or organizations, making it difficult to provide a specific num
ber.
SQL> select ai explainsql how many customers in San Francisco are married;
RESPONSE
--------------------------------------------------------------------------------
SELECT COUNT(*) AS customer_count
FROM SH.CUSTOMERS AS c
WHERE c.CUST_STATE_PROVINCE = 'San Francisco' AND c.CUST_MARITAL_STATUS = 'Married';
Explanation:
- We use the 'SH' table alias for the 'CUSTOMERS' table for better readability.
- The query uses the 'COUNT(*)' function to count the number of rows that match the given conditions.
- The 'WHERE' clause is used to filter the results:
- 'c.CUST_STATE_PROVINCE = 'San Francisco'' filters customers who have 'San Francisco' as their state or province.
- 'c.CUST_MARITAL_STATUS = 'Married'' filters customers who have 'Married' as their marital status.
The result of this query will give you the count of customers in San Francisco who are married, using the column alias 'customer_count' for the result.
Remember to adjust the table and column names based on your actual schema if they differ from the example.
Feel free to ask if you have more questions related to SQL or database in general.
-- Feedback on SQL Text
-- Negative feedback example:
SQL > select ai feedback for query "select ai showsql how many watch histories in total", please use sum instead of count;
-- Positive feedback example:
SQL > select ai feedback for query "select ai showsql how many watch histories in total", the sql query generated is correct;
-- Feedback on SQL ID
-- Negative feedback example:
SQL > select ai feedback please use sum instead of count for sql_id 1v1z68ra6r9zf;
-- Positive feedback example:
SQL > select ai feedback sql query result is correct for sql_id 1v1z68ra6r9zf;
-- If not specified, use default LASTAI SQL
-- To use default LASTAI sql, make sure that set server output off;
-- Negative feedback example:
SQL > select ai feedback please use ascending sorting for ranking;
-- Positive feedback example:
SQL > select ai feedback the result is correct;
SQL> SELECT AI SUMMARIZE
Like countless other people around the globe, I stream music, and like more
than six hundred million of them I mainly use Spotify. Streaming currently
accounts for about eighty per cent of the American recording industry’s
revenue, and in recent years Spotify’s health is often consulted as a measure
for the health of the music business over all. Last spring, the International
Federation of the Phonographic Industry reported global revenues of $28.6
billion, making for the ninth straight year of growth. All of this was
unimaginable in the two-thousands, when the major record labels appeared
poorly equipped to deal with piracy and the so-called death of physical media.
On the consumer side, the story looks even rosier. Adjusted for inflation, a
... (skipped 1000 rows in the middle)
Pelly writes of some artists, in search of viral fame, who surreptitiously use
social media to effectively beta test melodies and motifs, basically putting
together songs via crowdsourcing. Artists have always fretted about the
pressure to conform, but the data-driven, music-as-content era feels
different. “You are a Spotify employee at that point,” Daniel Lopatin, who
makes abstract electronic music as Oneohtrix Point Never, told Pelly. “If your
art practice is so ingrained in the brutal reality that Spotify has outlined
for all of us, then what is the music that you’re not making? What does the
music you’re not making sound like?” Listeners might wonder something similar.
What does the music we’re not hearing sound like?;
RESPONSE
------------------------------------------------------------------------------
The music streaming industry, led by Spotify, has revolutionized the way
people consume music, with streaming accounting for 80% of the American
recording industry's revenue. However, this shift has also complicated the
lives of artists, who struggle to survive in a hyper-abundant present where
music is often valued for its convenience rather than its artistic merit.
Spotify's algorithms prioritize popularity and profitability over artistic
diversity, leading to a homogenization of music and a devaluation of the
labor that goes into creating it. Meanwhile, the company's executives reap
enormous profits, with CEO Daniel Ek's net worth rivaling that of the
wealthiest musicians. As music critic Liz Pelly argues, the streaming economy
raises important questions about autonomy, creativity, and the value of art
in a world where everything is readily available and easily accessible.示例：使用 AWS 选择 AI
此示例说明如何使用 AWS 使用 AWS 提供的模型从自然语言提示或聊天中生成、运行和解释 SQL。
以下示例说明如何将 AWS 用作 Amazon Bedrock 及其基础模型的 AI 提供者。此示例显示如何创建 AWS 凭证、提供网络访问、创建 AI 配置文件，以及使用 Select AI 操作从自然语言提示生成 SQL 查询以及使用 AWS 基础模型进行聊天。
要使用 AWS，请获取访问密钥、密钥和模型 ID。请参阅。将模型 ID 用作 DBMS_CLOUD_AI.CREATE_PROFILE 过程中的 model 属性。必须显式指定 model 属性，因为未提供默认模型。
--Grant EXECUTE privilege to ADB_USER
GRANT EXECUTE on DBMS_CLOUD_AI to ADB_USER;
--
-- Create Credential for AI provider
--
BEGIN
DBMS_CLOUD.CREATE_CREDENTIAL(
credential_name => 'AWS_CRED',
username => '<your_AWS_access_key>',
password => '<your_AWS_secret_key>'
);
END;
/
PL/SQL procedure successfully completed.
--
-- Grant Network ACL for AWS
--
BEGIN
DBMS_NETWORK_ACL_ADMIN.APPEND_HOST_ACE(
host => 'bedrock-runtime.us-east-1.amazonaws.com',
ace => xs$ace_type(privilege_list => xs$name_list('http'),
principal_name => 'ADB_USER',
principal_type => xs_acl.ptype_db)
);
END;
/
PL/SQL procedure successfully completed.
--
-- Create AI profile
--
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name =>'AWS',
attributes =>'{"provider": "aws",
"credential_name": "AWS_CRED",
"object_list": [{"owner": "SH", "name": "customers"},
{"owner": "SH", "name": "countries"},
{"owner": "SH", "name": "supplementary_demographics"},
{"owner": "SH", "name": "profits"},
{"owner": "SH", "name": "promotions"},
{"owner": "SH", "name": "products"}],
"model" : "anthropic.claude-v2",
"conversation" : "true"
}');
END;
/
PL/SQL procedure successfully completed.
--
-- Enable AI profile in current session
--
EXEC DBMS_CLOUD_AI.SET_PROFILE('AWS');
PL/SQL procedure successfully completed.
--
-- Use AI
--
SELECT AI how many customers exist;
"RESPONSE"
"COUNT(*)"
55500
SELECT AI how many customers in San Francisco are married;
"RESPONSE"
"COUNT(*)"
46
SELECT AI showsql how many customers in San Francisco are married;
"RESPONSE"
"SELECT COUNT(*) AS "Number of Married Customers in San Francisco"
FROM "SH"."CUSTOMERS" C
WHERE UPPER(C."CUST_CITY") = UPPER('San Francisco')
AND UPPER(C."CUST_MARITAL_STATUS") = UPPER('Married')"
SELECT AI explainsql how many customers in San Francisco are married;
"RESPONSE""SELECT
COUNT(*) AS "Number of Married Customers in San Francisco"
FROM "SH"."CUSTOMERS" C
WHERE C."CUST_CITY" = 'San Francisco'
AND C."CUST_MARITAL_STATUS" = 'Married'
Explanation:
- Used table alias C for CUSTOMERS table
- Used easy to read column names like CUST_CITY, CUST_MARITAL_STATUS
- Enclosed table name, schema name and column names in double quotes
- Compared string values in WHERE clause without UPPER() since the values are not in double quotes
- Counted number of rows satisfying the condition and aliased the count as "Number of Married Customers in San Francisco""
SELECT AI narrate what are the top 3 customers in San Francisco;
"RESPONSE"
The top 3 customers in San Francisco ordered by credit limit in descending order are:
1. Bert Katz
2. Madallyn Ladd
3. Henrietta Snodgrass
SELECT AI chat what is Autonomous AI Database;
"RESPONSE"
"An Autonomous AI Database is a cloud database service provided by Oracle Corporation. Some key features of Oracle Autonomous AI Database include:
- Fully automated and self-driving - The database automatically upgrades, patches, tunes, and backs itself up without any human intervention required.
- Self-securing - The database uses machine learning to detect threats and automatically apply security updates.
- Self-repairing - The database monitors itself and automatically recovers from failures and errors without downtime.
- Self-scaling - The database automatically scales compute and storage resources up and down as needed to meet workload demands.
- Serverless - The database is accessed as a cloud service without having to manually provision any servers or infrastructure.
- High performance - The database uses Oracle's advanced automation and machine learning to continuously tune itself for high performance.
- Multiple workload support - Supports transaction processing, analytics, graph processing, etc in a single converged database.
- Fully managed - Oracle handles all the management and administration of the database. Users just load and access their data.
- Compatible - Supports common SQL and Oracle PL/SQL for easy migration from on-prem Oracle databases.
So in summary, an Oracle Autonomous AI Database is a fully automated, self-driving, self-securing, and self-repairing database provided as a simple cloud service. The automation provides high performance, elasticity, and availability with minimal human labor required."
--
--Clear the profile
--
BEGIN
DBMS_CLOUD_AI.CLEAR_PROFILE;
END;
/
PL/SQL procedure successfully completed.
--
--Drop the profile
--
EXEC DBMS_CLOUD_AI.DROP_PROFILE('AWS');
PL/SQL procedure successfully completed.示例：在选择 AI 中启用对话
以下示例说明了如何在 Select AI 中启用对话。
注意：
具有管理员权限 (ADMIN) 的用户必须授予 EXECUTE 并启用网络访问控制列表 (ACL)。
基于会话的对话
创建 AI 配置文件。在配置文件中将 conversation 属性设置为 true，此操作包括来自以前的交互或提示的内容，可能包括方案元数据，并设置您的配置文件。启用配置文件后，您可以开始与数据进行对话。使用自然语言提问，并根据需要跟进。
--Grants EXECUTE privilege to ADB_USER
--
SQL> grant execute on DBMS_CLOUD_AI to ADB_USER;
-- Grant Network ACL for OpenAI endpoint
--
SQL> BEGIN
DBMS_NETWORK_ACL_ADMIN.APPEND_HOST_ACE(
host => 'api.openai.com',
ace => xs$ace_type(privilege_list => xs$name_list('http'),
principal_name => 'ADB_USER',
principal_type => xs_acl.ptype_db)
);
END;
/
PL/SQL procedure successfully completed.
--
-- Create Credential for AI provider
--
EXEC
DBMS_CLOUD.CREATE_CREDENTIAL(
CREDENTIAL_NAME => 'OPENAI_CRED',
username => 'OPENAI',
password => '<your_api_token>');
PL/SQL procedure successfully completed.
--
-- Create AI profile
--
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name => 'OPENAI',
attributes =>'{"provider": "openai",
"credential_name": "OPENAI_CRED",
"object_list": [{"owner": "SH", "name": "customers"},
{"owner": "SH", "name": "countries"},
{"owner": "SH", "name": "supplementary_demographics"},
{"owner": "SH", "name": "profits"},
{"owner": "SH", "name": "promotions"},
{"owner": "SH", "name": "products"}],
"conversation": "true"
}');
END;
/
PL/SQL procedure successfully completed.
--
-- Enable AI profile in current session
--
SQL> EXEC DBMS_CLOUD_AI.SET_PROFILE('OPENAI');
PL/SQL procedure successfully completed.
--
-- Get Profile in current session
--
SQL> SELECT DBMS_CLOUD_AI.get_profile() from dual;
DBMS_CLOUD_AI.GET_PROFILE()
--------------------------------------------------------------------------------
"OPENAI"
--
-- Use AI
--
what are the total number of customers;
CUSTOMER_COUNT
--------------
55500
break out count of customers by country;
RESPONSE
-----------------
COUNTRY_NAME CUSTOMER_COUNT
Italy 7780
Brazil 832
Japan 624
United Kingdom 7557
Germany 8173
United States of America 18520
France 3833
Canada 2010
Spain 2039
China 712
Singapore 597
New Zealand 244
Poland 708
Australia 831
Argentina 403
Denmark 383
South Africa 88
Saudi Arabia 75
Turkey 91
what age group is most common;
RESPONSE
--------------------------------------------------------------------------------
AGE_GROUP CUSTOMER_COUNT
65+ 28226
select ai keep the top 5 customers and their country by their purchases and include a rank in the result;
RESPONSE
--------------------------------------------------------------------------------
RANK CUSTOMER_NAME COUNTRY PURCHASES
1 Abigail Ruddy Japan 276
2 Abigail Ruddy Italy 168
3 Abigail Ruddy Japan 74
3 Abner Robbinette Germany 74
5 Abner Everett France 68
SQL> EXEC DBMS_CLOUD_AI.DROP_PROFILE('OPENAI');
PL/SQL procedure successfully completed.可定制的对话
- 创建对话
- 在当前用户会话中设置对话
- 使用
Select AI <action> <prompt>
- 使用
DBMS_CLOUD_AI.CREATE_CONVERSATION函数，然后使用DBMS_CLOUD_AI.SET_CONVERSATION_ID设置对话。 - 直接调用
DBMS_CLOUD_AI.CREATE_CONVERSATION过程，在一个步骤中创建和设置对话。
以下示例演示如何使用 DBMS_CLOUD_AI.CREATE_CONVERSATION 函数创建对话并使用 DBMS_CLOUD_AI.SET_CONVERSATION_ID 过程进行设置。
SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION; -- in 19c, run SELECT DBMS_CLOUD_AI.create_conversation FROM dual;
CREATE_CONVERSATION
------------------------------------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92
EXEC DBMS_CLOUD_AI.SET_CONVERSATION_ID('30C9DB6E-EA4D-AFBA-E063-9C6D46644B92');
PL/SQL procedure successfully completed以下示例说明如何运行 DBMS_CLOUD_AI.CREATE_CONVERSATION 过程来直接创建和设置 conversation_id。
EXEC DBMS_CLOUD_AI.create_conversation;
PL/SQL procedure successfully completed.您还可以定制对话属性，例如 title、description、retention_days 和 conversation_length 属性。
SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION(
attributes => '{"title":"My first conversation",
"description":"this is my first conversation",
"retention_days":5,
"conversation_length":5}');
CREATE_CONVERSATION
------------------------------------
38F8B874-7687-2A3F-E063-9C6D4664EC3A您可以通过查询 DBA/USER_CLOUD_AI_CONVERSATIONS 视图查看特定对话是否存在。
-- Verify the setup
SELECT conversation_id, conversation_title, description, retention_days,
conversation_length FROM DBA_CLOUD_AI_CONVERSATIONS WHERE
conversation_id = '38F8B874-7687-2A3F-E063-9C6D4664EC3A';
CONVERSATION_ID CONVERSATION_TITLE DESCRIPTION RETENTION_DAYS CONVERSATION_LENGTH
------------------------------------ ----------------------------------------------- ---------------------------------- ------------------------------ -------------------
38F8B874-7687-2A3F-E063-9C6D4664EC3A My first conversation this is my first conversation +00005 00:00:00.000000 5
您还可以通过调用 DBMS_CLOUD_AI.GET_CONVERSATION_ID 函数验证对话是否已设置。
SELECT DBMS_CLOUD_AI.GET_CONVERSATION_ID;
--------------------------------------------------------------------------------
30C9DB6E-EA4F-AFBA-E063-9C6D46644B92在创建和设置对话并启用 AI 配置文件后，您可以开始与数据交互。使用自然语言提问，并根据需要跟进。
使用 SELECT AI <ACTION> <PROMPT>。
SELECT AI CHAT What is the difference in weather between Seattle and San Francisco?;
RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco are both located on the West Coast of the United State
s, but they have distinct weather patterns due to their unique geography and cli
mate conditions. Here are the main differences:
1. **Rainfall**: Seattle is known for its rainy reputation, with an average annu
al rainfall of around 37 inches (94 cm). San Francisco, on the other hand, recei
ves significantly less rainfall, with an average of around 20 inches (51 cm) per
year.
2. **Cloud Cover**: Seattle is often cloudy, with an average of 226 cloudy days
per year. San Francisco is also cloudy, but to a lesser extent, with an average
of 165 cloudy days per year.
......
SELECT AI CHAT Explain the difference again in one paragraph only.;
RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco have different weather patterns despite both experienc
ing a mild oceanic climate. San Francisco tends to be slightly warmer, with aver
age temperatures ranging from 45?F to 67?F, and receives less rainfall, around 2
0 inches per year, mostly during winter. In contrast, Seattle is cooler, with te
mperatures ranging from 38?F to 64?F, and rainier, with around 37 inches of rain
fall per year, distributed throughout the year. San Francisco is also known for
its fog, particularly during summer, and receives more sunshine, around 160 sunn
y days per year, although it's often filtered through the fog. Overall, San Fran
cisco's weather is warmer and sunnier, with more pronounced seasonal variations,
while Seattle's is cooler and rainier, with more consistent temperatures throug
hout the year.以下示例说明如何互换使用两个对话来提问和验证准确的回答。每次谈话都从一个专注于比较的不同问题开始。以后，当您在两个对话中提出相同的后续问题时，每个问题都会根据其先前上下文返回不同的答案。
-- First conversation
SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION;
CREATE_CONVERSATION
------------------------------------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92
-- Second conversation
SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION;
CREATE_CONVERSATION
------------------------------------
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92
-- Call generate using the first conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
prompt => 'What is the difference in weather between Seattle and San Francisco?',
profile_name => 'GENAI',
action => 'CHAT',
params => '{"conversation_id":"30C9DB6E-EA4D-AFBA-E063-9C6D46644B92"}') AS RESPONSE;
RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco, both located in the Pacific Northwest and Northern Ca
lifornia respectively, experience a mild oceanic climate. However, there are som
e notable differences in their weather patterns:
1. **Temperature**: San Francisco tends to be slightly warmer than Seattle, espe
cially during the summer months. San Francisco's average temperature ranges from
45?F (7?C) in winter to 67?F (19?C) in summer, while Seattle's average temperat
ure ranges from 38?F (3?C) in winter to 64?F (18?C) in summer.
2. **Rainfall**: Seattle is known for its rainy reputation, with an average annu
al rainfall of around 37 inches (94 cm). San Francisco receives less rainfall, w
ith an average of around 20 inches (51 cm) per year. However, San Francisco's ra
infall is more concentrated during the winter months, while Seattle's rainfall i
s more evenly distributed throughout the year.
......
-- Call generate using the second conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
prompt => 'How does the cost of living compare between New York and Los Angeles?',
profile_name => 'GENAI',
action => 'CHAT',
params => '{"conversation_id":"30C9DB6E-EA4E-AFBA-E063-9C6D46644B92"}') AS RESPONSE;
RESPONSE
--------------------------------------------------------------------------------
The cost of living in New York and Los Angeles is relatively high compared to ot
her cities in the United States. However, there are some differences in the cost
of living between the two cities. Here's a comparison of the cost of living in
New York and Los Angeles:
1. Housing: The cost of housing is significantly higher in New York than in Los
Angeles. The median home price in New York is around $999,000, while in Los Ange
les it's around $849,000. Rent is also higher in New York, with the average rent
for a one-bedroom apartment being around $3,000 per month, compared to around $
2,400 per month in Los Angeles.
2. Food: The cost of food is relatively similar in both cities, with some variat
ion in the cost of certain types of cuisine. However, eating out in New York can
be more expensive, with the average cost of a meal at a mid-range restaurant be
ing around $15-20 per person, compared to around $12-18 per person in Los Angele
s.
......
-- Call generate using the first conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
prompt => 'Explain the difference again in one paragraph only.',
profile_name => 'GENAI',
action => 'CHAT',
params => '{"conversation_id":"30C9DB6E-EA4D-AFBA-E063-9C6D46644B92"}') AS RESPONSE;
RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco have different weather patterns despite both experienc
ing a mild oceanic climate. San Francisco tends to be slightly warmer, with aver
age temperatures ranging from 45?F to 67?F, and receives less rainfall, around 2
0 inches per year, mostly during winter. In contrast, Seattle is cooler, with te
mperatures ranging from 38?F to 64?F, and rainier, with around 37 inches of rain
fall per year, distributed throughout the year. San Francisco is also known for
its fog, particularly during summer, and receives more sunshine, around 160 sunn
y days per year, although it's often filtered through the fog. Overall, San Fran
cisco's weather is warmer and sunnier, with more pronounced seasonal variations,
while Seattle's is cooler and rainier, with more consistent temperatures throug
hout the year.
-- Call generate using the second conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
prompt => 'Explain the difference again in one paragraph only.',
profile_name => 'GENAI',
action => 'CHAT',
params => '{"conversation_id":"30C9DB6E-EA4E-AFBA-E063-9C6D46644B92"}') AS RESPONSE;
RESPONSE
--------------------------------------------------------------------------------
The cost of living in New York is approximately 20-30% higher than in Los Angele
s, mainly due to the higher cost of housing and transportation. New York has a m
edian home price of around $999,000 and average rent of $3,000 per month for a o
ne-bedroom apartment, compared to Los Angeles' median home price of $849,000 and
average rent of $2,400 per month. While the cost of food and utilities is relat
ively similar in both cities, the cost of transportation is higher in Los Angele
s due to its car-centric culture, but the cost of public transportation is highe
r in New York. Overall, the total monthly expenses for a single person in New Yo
rk can range from $4,600, compared to around $4,050 in Los Angeles, making New Y
ork the more expensive city to live in.
可以在不指定对话的情况下调用 DBMS_CLOUD_AI.GENERATE 函数；但是，在这种情况下，不应期望有意义的响应。
-- Ask SELECT AI using the second conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
prompt => 'Explain the difference again in one paragraph only.',
profile_name => 'GENAI',
action => 'CHAT') AS RESPONSE;
RESPONSE
--------------------------------------------------------------------------------
There is no previous explanation to draw from, as this is the beginning of our c
onversation. If you would like to ask a question or provide a topic, I would be
happy to explain the differences related to it in one paragraph.
您可以查询 DBMS_CLOUD_AI 会话视图来查看对话和提示详细信息。有关更多详细信息，请参见。
注意：
任务流名称旁边的具有 DBA_ 前缀的视图仅可供具有管理员权限 (ADMIN) 的用户使用。
SELECT conversation_id, conversation_title, description FROM dba_cloud_ai_conversations;
CONVERSATION_ID
------------------------------------
CONVERSATION_TITLE
----------------------------------------------------------------------------------------------------
DESCRIPTION
--------------------------------------------------------------------------------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92
Seattle vs San Francisco Weather
The conversation discusses the comparison of weather patterns between Seattle an
d San Francisco, focusing on the differences in temperature, rainfall, fog, suns
hine, and seasonal variation between the two cities.
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92
NY vs LA Cost Comparison
The conversation discusses and compares the cost of living in New York and Los A
ngeles, covering housing, food, transportation, utilities, and taxes to provide
an overall view of the expenses in both cities.
SELECT conversation_id, count(*) FROM dba_cloud_ai_conversation_prompts
GROUP BY conversation_id;
CONVERSATION_ID COUNT(*)
------------------------------------ ----------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92 2
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92 2您可以使用 DBMS_CLOUD_AI.UPDATE_CONVERSATION 过程更新对话的 title、description 和 retention_days。您可以通过查询 DBMS_CLOUD_AI 对话视图来验证更新。
-- Update the second conversation's title, description and retention_days
SQL> EXEC DBMS_CLOUD_AI.update_conversation(conversation_id => '30C9DB6E-EA4E-AFBA-E063-9C6D46644B92',
attributes => '{"retention_days":20,
"description":"This a description",
"title":"a title",
"conversation_length":20}');
PL/SQL procedure successfully completed.
-- Verify the information for the second conversation
SQL> SELECT conversation_title, description, retention_days
FROM dba_cloud_ai_conversations
WHERE conversation_id = '30C9DB6E-EA4E-AFBA-E063-9C6D46644B92';
CONVERSATION_TITLE DESCRIPTION RETENTION_DAYS LENGTH
-------------------------- ------------------------------------ -------------- --------------
a title This a description 20 20您可以从对话中删除单个提示，并通过查询 DBMS_CLOUD_AI 对话视图来验证修改。
-- Find the latest prompt for first conversation
SELECT conversation_prompt_id FROM dba_cloud_ai_conversation_prompts
WHERE conversation_id = '30C9DB6E-EA4D-AFBA-E063-9C6D46644B92'
ORDER BY created DESC
FETCH FIRST ROW ONLY;
CONVERSATION_PROMPT_ID
------------------------------------
30C9DB6E-EA61-AFBA-E063-9C6D46644B92
-- Delete the prompt
EXEC DBMS_CLOUD_AI.DELETE_CONVERSATION_PROMPT('30C9DB6E-EA61-AFBA-E063-9C6D46644B92');
PL/SQL procedure successfully completed.
-- Verify if the prompt is deleted
SELECT conversation_prompt_id FROM dba_cloud_ai_conversation_prompts
WHERE conversation_id = '30C9DB6E-EA4D-AFBA-E063-9C6D46644B92';
-- Only one prompt now
CONVERSATION_PROMPT_ID
------------------------------------
30C9DB6E-EA5A-AFBA-E063-9C6D46644B92您可以删除整个对话，这也会删除与其关联的所有提示。
-- Delete the first conversation
EXEC DBMS_CLOUD_AI.DROP_CONVERSATION('30C9DB6E-EA4D-AFBA-E063-9C6D46644B92');
PL/SQL procedure successfully completed.
-- Verify if the conversation and its prompts are removed
SELECT conversation_id FROM dba_cloud_ai_conversations;
-- We only have the second conversation now
CONVERSATION_ID
------------------------------------
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92
SELECT conversation_id, count(*) FROM dba_cloud_ai_conversation_prompts GROUP BY conversation_id;
-- We only have prompts in the second conversation
CONVERSATION_ID COUNT(*)
------------------------------------ ----------
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92 2示例：选择 AI 反馈
这些示例演示了如何使用 DBMS_CLOUD_AI.FEEDBACK 过程和不同的方案提供反馈以改进后续 SQL 查询生成。
注意：
即使以前未运行提示，也可以为 Select AI SQL 提示提供反馈。选择 AI 不需要在提交反馈之前在查询中使用 SQL 提示符；您可以随时为任何有效提示提供反馈。
以下示例演示如何使用 feedback_type 作为 negative 并提供 SQL 查询来更正生成的 SQL 作为反馈（负面反馈）。
通过调用包含提示的 sql_text 参数的 DBMS_CLOUD_AI.FEEDBACK 过程，可以将反馈添加到名为 OCI_FEEDBACK1 的 AI 配置文件中。要了解属性，请参见。然后，从 <profile_name>_FEEDBACK_VECINDEX$VECTAB 表检索 content 和 attributes 列，该表链接到该特定的 SQL 查询。首次使用反馈功能时，选择 AI 会自动创建此向量表。有关详细信息，请参阅“”。
SQL> select ai showsql how many movies;
RESPONSE
------------------------------------------------------------------------
SELECT COUNT(m."MOVIE_ID") AS "Number of Movies" FROM "ADB_USER"."MOVIES" m
SQL> exec DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1', sql_text=> 'select ai showsql how many movies', feedback_type=> 'negative', response=>'SELECT SUM(1) FROM "ADB_USER"."MOVIES"');
PL/SQL procedure successfully completed.
SQL> select CONTENT, ATTRIBUTES from OCI_FEEDBACK1_FEEDBACK_VECINDEX$VECTAB where JSON_VALUE(attributes, '$.sql_text') = 'select ai showsql how many movies';
CONTENT
----------------------------------------------------------------------------------------------------
how many movies
ATTRIBUTES
----------------------------------------------------------------------------------------------------
{"response":"SELECT SUM(1) FROM \"ADB_USER\".\"MOVIES\"","feedback_type":"negative","sql_id":null,"sql_text":"select ai showsql how many movies","feedback_content":null}以下示例演示了提供您同意的批准并使用 feedback_type 作为 positive 确认生成的 SQL（正反馈）。
在此示例中，查询从给定提示的 v$mapped_sql 视图中检索 sql_id。有关详细信息，请参阅 V_MAPPED_SQL 。
通过使用 sql_id 参数调用 DBMS_CLOUD_AI.FEEDBACK 过程，可以将反馈添加到名为 OCI_FEEDBACK1 的 AI 配置文件中。然后，从 <profile_name>_FEEDBACK_VECINDEX$VECTAB 表检索 content 和 attributes 列，该表链接到该特定的 SQL 查询。首次使用反馈功能时，选择 AI 会自动创建此向量表。有关详细信息，请参阅“”。
SQL> select ai showsql how many distinct movie genres?;
RESPONSE
-----------------------------------------------------------------------------------------
SELECT COUNT(DISTINCT g."GENRE_NAME") AS "Number of Movie Genres" FROM "ADB_USER"."GENRES" g
SQL> SELECT sql_id FROM v$mapped_sql WHERE sql_text = 'select ai showsql how many distinct movie genres?';
SQL_ID
-------------
852w8u83gktc1
SQL> exec DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1', sql_id=> '852w8u83gktc1', feedback_type=>'positive', operation=>'add');
PL/SQL procedure successfully completed.
SQL> SELECT content, attributes FROM OCI_FEEDBACK1_FEEDBACK_VECINDEX$VECTAB WHERE JSON_VALUE(attributes, '$.sql_id') ='852w8u83gktc1';
CONTENT
----------------------------------------------------------------------------------------------------
how many distinct movie genres?
ATTRIBUTES
----------------------------------------------------------------------------------------------------
{"response":"SELECT COUNT(DISTINCT g.\"GENRE_NAME\") AS \"Number of Movie Genres\" FROM \"ADB_USER\".\"GENRES\" g","feedback_type":"positive","sql_id":"852w8u83gktc1","sql_text":"select ai showsql how many distinct movie genres?","feedback_content":null}即使以前未使用该提示，也可以为 SQL 提示提供反馈。例如：
BEGIN
DBMS_CLOUD_AI.FEEDBACK(
profile_name=>'AI_PROFILE',
sql_text=>'select ai runsql how many products named PAD', -- Prior usage not required
feedback_type=>'negative',
response=>'SELECT COUNT(*) AS "Num" FROM "PRODUCTS"."CATG" o WHERE UPPER(o."NAME") LIKE ''%PAD%''',
feedback_content=>'Use LIKE instead of ='
);
END;
/在这种情况下，将提交提示 select ai runsql how many products named PAD 的反馈，而无需事先使用提示。
DBMS_CLOUD_AI.FEEDBACK 过程参数来添加或删除生成的 SQL 的反馈。本示例演示如何使用 sql_id 和 sql_text 以及其他参数。
注意：
选择 AI 仅允许每个sql_id 存在一个反馈条目。如果为同一 sql_id 提供其他反馈，则 Select AI 会将上一个条目替换为新条目。
EXEC DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1',
sql_id=> '852w8u83gktc1',
feedback_type=>'positive',
operation=>'add');
EXEC DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1',
sql_text=> 'select ai showsql how many movies',
feedback_type=> 'negative',
response=>'SELECT SUM(1) FROM "ADB_USER"."MOVIES"',
feedback_content=>'Use SUM instead of COUNT');
EXEC DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1',
sql_id=> '852w8u83gktc1',
operation=>'delete');此示例演示如何使用 feedback 操作通过使用自然语言建议修改来改进生成的 SQL。
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name=>'OCI_FEEDBACK1',
attributes=>'{"provider": "oci",
"credential_name": "GENAI_CRED",
"oci_compartment_id": "ocid1.compartment.oc1..aaaa...",
"object_list": [{"owner": "ADB_USER", "name": "users"},
{"owner": "ADB_USER", "name": "movies"},
{"owner": "ADB_USER", "name": "genres"},
{"owner": "ADB_USER", "name": "watch_history"},
{"owner": "ADB_USER", "name": "movie_genres"},
{"owner": "ADB_USER", "name": "employees1"},
{"owner": "ADB_USER", "name": "employees2"}
]
}');
END;
/
EXEC DBMS_CLOUD_AI.SET_PROFILE('OCI_FEEDBACK1');
PL/SQL procedure successfully completed.
select ai showsql rank movie duration;
RESPONSE
-------------------------------------------------------------------------------
SELECT "DURATION" AS "Movie Duration" FROM "ADB_USER"."MOVIES" ORDER BY "DURATION"
select ai feedback use ascending sorting;
RESPONSE
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Based on your feedback, the SQL query for prompt "rank movie duration" is successfully refined. The refined SQL query as following:
SELECT m."DURATION" AS "Movie Duration" FROM "ADB_USER."MOVIES" m ORDER BY m."DURATION" ASC
select ai showsql rank the movie duration;
RESPONSE
-----------------------------------------------------------------------------------------
SELECT m."DURATION" AS "Movie Duration" FROM "ADB_USER."MOVIES" m ORDER BY m."DURATION" ASC此示例演示如何使用 feedback 操作接受使用自然语言生成的 SQL。
--Positive feedback
select ai showsql which movies are comedy?;
RESPONSE
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT DISTINCT m."TITLE" AS "Movie Title" FROM "ADB_USER"."MOVIES" m INNER JOIN "ADB_USER"."MOVIE_GENRES" mg ON m."MOVIE_ID" = mg."MOVIE_ID" INNER JOIN "ADB_USER"."GENRES" g ON mg."GENRE_ID" = g."GENRE_ID" WHERE g."GENRE_NAME" = 'comedy'
select ai feedback this is correct;
RESPONSE
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Thank you for your positive feedback. The SQL query for prompt "which movies are comedy?" is correctly implemented and delivering the expected results. It will be referenced for future optimizations and improvements.
Select AI Feedback Action Referring SQL_ID此示例演示如何将 SQL_ID 与 feedback 操作结合使用来为特定生成的 SQL 查询提供反馈。可以通过查询 v$MAPPED_SQL 表来获取 SQL_ID。
-- Query mentioned with SQL_ID
select ai showsql how many movies are in each genre;
RESPONSE
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT g."GENRE_NAME" AS "Genre Name", COUNT(m."MOVIE_ID") AS "Number of Movies" FROM "ADB_USER"."MOVIES" m INNER JOIN "ADB_USER"."MOVIE_GENRES" mg ON m."MOVIE_ID" = mg."MOVIE_ID" INNER JOIN "ADB_USER"."GENRES" g ON mg."GENRE_ID" = g."GENRE_ID" GROUP BY g."GENRE_NAME"
select sql_id from v$cloud_ai_sql where sql_text = 'select ai showsql how many movies are in each genre';
SQL_ID
-------------
8azkwc0hr87ga
select ai feedback for query with sql_id = '8azkwc0hr87ga', rank in descending sorting;
RESPONSE
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Based on your feedback, the SQL query for prompt "how many movies are in each genre" is successfully refined. The refined SQL query as following:
SELECT g."GENRE_NAME" AS "Genre Name", COUNT(m."MOVIE_ID") AS "Number of Movies"
FROM "ADB_USER"."MOVIES" m
INNER JOIN "ADB_USER"."MOVIE_GENRES" mg ON m."MOVIE_ID" = mg."MOVIE_ID"
INNER JOIN "ADB_USER"."GENRES" g ON mg."GENRE_ID" = g."GENRE_ID"
GROUP BY g."GENRE_NAME"
ORDER BY COUNT(m."MOVIE_ID") DESC
此示例显示了特定 Select AI 查询的 feedback 操作，方法是在引号中包括 Select AI 提示，后跟反馈。
-Query mentioned with SQL_TEXT
select ai showsql how many watch history in total;
RESPONSE
----------------------------------------------------------------------------------
SELECT COUNT(w."WATCH_ID") AS "Total Watch History" FROM "ADB_USER"."WATCH_HISTORY" w
select ai feedback for query "select ai showsql how many watch history in total", name the column as total_watch;
RESPONSE
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Based on your feedback, the SQL query for prompt "how many watch history in total" is successfully refined. The refined SQL query as following:
SELECT COUNT(w."WATCH_ID") AS "total_watch" FROM "ADB_USER"."WATCH_HISTORY" w示例：为属性图形选择 AI
此示例说明如何使用 DBMS_CLOUD_AI.GENERATE 过程和自然语言提示生成 PGQ 图形查询来查询图形数据。
此示例说明如何在 AI 配置文件中定义多个属性图形，包括示例查询及其输出。
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name =>'OPENAI',
attributes =>'{"provider": "openai",
"model": "gpt-4o",
"credential_name": "OPENAI_CRED",
"object_list": [{"owner": "ADB_USER", "name": "LDBC_GRAPH"},
{"owner": "ADB_USER", "name": "G"}]
}');
END;
/
SQL> EXEC DBMS_CLOUD_AI.SET_PROFILE(profile_name => 'OPENAI');
PL/SQL procedure successfully completed.
SQL> select ai who bought a dress;
CUSTOMER_N
----------
Kate
1 row selected.示例：属性图形的示例提示
以下示例说明如何使用给定提示的 showsql 操作创建示例数据并显示生成的 SQL。
以下示例创建示例表和属性图。
CREATE TABLE Person
(
id NUMBER PRIMARY KEY,
firstName VARCHAR2(20 CHAR),
lastName VARCHAR2(20 CHAR),
age NUMBER,
jsonProp VARCHAR2(40 CHAR)
);
CREATE TABLE Post
(
id NUMBER PRIMARY KEY,
content VARCHAR2(20 CHAR)
);
CREATE TABLE personLikesPost
(
idPerson NUMBER REFERENCES Person (id),
idPost NUMBER REFERENCES Post (id)
);
CREATE TABLE personKnowsPerson
(
idPerson1 NUMBER REFERENCES Person (id),
idPerson2 NUMBER REFERENCES Person (id)
);
CREATE PROPERTY GRAPH person_graph
VERTEX TABLES (
Person KEY (id) LABEL Person
PROPERTIES (firstName, lastName, age, jsonProp),
Post KEY (id) LABEL Post
PROPERTIES(content)
)
EDGE TABLES (
personLikesPost
KEY(idPerson, idPost)
SOURCE KEY (idPerson) REFERENCES Person (id)
DESTINATION KEY (idPost) REFERENCES POST (id)
LABEL Likes NO PROPERTIES,
personKnowsPerson
KEY(idPerson1, idPerson2)
SOURCE KEY (idPerson1) REFERENCES Person (id)
DESTINATION KEY (idPerson2) REFERENCES Person (id)
LABEL Knows NO PROPERTIES
);
insert into Person values (1, 'John', 'Doe',23, '{"key1":"value1","key2":"value2"}');
insert into Person values (2, 'Scott', 'Tiger', 25, '{"key1":"value3","key2":"value4"}');
insert into Person values (3, 'Max', 'Power', 27, '{"key1":"value5","key2":"value6"}');
insert into Person values (4, 'Jane', 'Doe', 22, '{"key1":"value7","key2":"value8"}');
insert into Person (id, Firstname, age) values (5, 'Hans', 23);
insert into Person (id, Firstname, age) values (6, 'Franz', 24);
INSERT INTO Post VALUES (10, 'Lorem ipsum...');
INSERT INTO Post VALUES (11, 'Nulla facilisi...');
INSERT INTO Post VALUES (12, 'Vestibulum eget ..');
INSERT INTO Post VALUES (13, 'Sed fermentum...');
INSERT INTO Post VALUES (14, 'Fusce at ...');
INSERT INTO Post VALUES (15, 'Pellentesque sit ...');
INSERT INTO Post VALUES (16, 'Integer...');
INSERT INTO Post VALUES (17, 'Curabitur luctus ...');
INSERT INTO Post VALUES (18, 'Nam in ...');
INSERT INTO Post VALUES (19, 'Etiam ac ...');
insert into personKnowsPerson values (1, 2);
insert into personKnowsPerson values (2, 3);
insert into personKnowsPerson values (3, 4);
insert into personKnowsPerson values (4, 5);
insert into personKnowsPerson values (5, 6);
insert into personKnowsPerson values (6, 2);
insert into personKnowsPerson values (5, 3);
INSERT INTO personLikesPost VALUES (1, 10);
INSERT INTO personLikesPost VALUES (1, 11);
INSERT INTO personLikesPost VALUES (1, 12);
INSERT INTO personLikesPost VALUES (2, 10);
INSERT INTO personLikesPost VALUES (2, 13);
INSERT INTO personLikesPost VALUES (2, 14);
INSERT INTO personLikesPost VALUES (3, 11);
INSERT INTO personLikesPost VALUES (3, 15);
INSERT INTO personLikesPost VALUES (3, 16);
INSERT INTO personLikesPost VALUES (4, 12);
INSERT INTO personLikesPost VALUES (4, 17);
INSERT INTO personLikesPost VALUES (4, 18);
INSERT INTO personLikesPost VALUES (5, 13);
INSERT INTO personLikesPost VALUES (5, 14);
INSERT INTO personLikesPost VALUES (5, 19);
INSERT INTO personLikesPost VALUES (6, 15);
INSERT INTO personLikesPost VALUES (6, 16);
INSERT INTO personLikesPost VALUES (6, 17);
INSERT INTO personLikesPost VALUES (1, 18);
INSERT INTO personLikesPost VALUES (2, 19);
commit;提示：Find all the people IDs
SELECT person_id
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (v IS "PERSON")
COLUMNS (VERTEX_ID(v) AS person_id))提示：Find all the edge IDs
SELECT edge_id
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (v1) -[e]-> (v2)
COLUMNS (EDGE_ID(e) AS edge_id))提示：Find all the knows relationship IDs
SELECT knows_id
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p1 IS "PERSON") -[e IS "KNOWS"]-> (p2 IS "PERSON")
COLUMNS (EDGE_ID(e) AS knows_id))提示：List all people who know someone who liked the post 'Sed fermentum...'
SELECT person_id, person_firstname, person_lastname
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p1 IS "PERSON") -[e1 IS "KNOWS"]-> (p2 IS "PERSON") -[e2 IS "LIKES"]-> (post IS "POST")
WHERE UPPER(post."CONTENT") = UPPER('Sed fermentum...')
COLUMNS (VERTEX_ID(p1) AS person_id, p1."FIRSTNAME" AS person_firstname, p1."LASTNAME" AS person_lastname))提示：Find first name and last name of all people
SELECT first_name, last_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p IS "PERSON")
COLUMNS (p."FIRSTNAME" AS first_name, p."LASTNAME" AS last_name))提示：Find post contents liked by John Doe
SELECT post_content
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p IS "PERSON") -[e IS "LIKES"]-> (post IS "POST")
WHERE UPPER(p."FIRSTNAME") = UPPER('John') AND UPPER(p."LASTNAME") = UPPER('Doe')
COLUMNS (post."CONTENT" AS post_content))提示：Show all people (full name) and display their key1 value from jsonProp property
SELECT person_fullname, json_key1
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p IS "PERSON")
COLUMNS (
(p."FIRSTNAME" || ' ' || p."LASTNAME") AS person_fullname,
JSON_QUERY(p."JSONPROP", '$.key1') AS json_key1
)
)提示：Find friends of Scott Tiger ordered by their last name
SELECT friend_firstname, friend_lastname
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p IS "PERSON") -[e IS "KNOWS"]-> (f IS "PERSON")
WHERE UPPER(p."FIRSTNAME") = UPPER('Scott') AND UPPER(p."LASTNAME") = UPPER('Tiger')
COLUMNS (f."FIRSTNAME" AS friend_firstname, f."LASTNAME" AS friend_lastname)
)
ORDER BY friend_lastname提示：Find all people ordered by first name. Skip one result and return 2 results only
SELECT person_firstname
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p IS "PERSON")
COLUMNS (p."FIRSTNAME" AS person_firstname))
ORDER BY person_firstname
OFFSET 1 ROWS FETCH NEXT 2 ROWS ONLY不支持的查询
对于以下查询，某些 LLM 生成有效的 NL2SQL，但生成的 SQL 使用了 Oracle AI Database 26ai 中尚不支持的功能。
提示：Find people that do not know Scott.
不支持 EXISTS 子查询。
SELECT person_id, first_name, last_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p1 IS "PERSON")
WHERE NOT EXISTS (
SELECT 1
FROM GRAPH_TABLE("ADB_USER"."PERSONGRAPH"
MATCH (p2 IS "PERSON") -[e IS "PERSONKNOWSPERSON"]-> (p3 IS "PERSON"
)
WHERE p2."ID" = p1."ID" AND UPPER(p3."FIRSTNAME") = UPPER('Scott')
COLUMNS (1 AS dummy_value))
)
COLUMNS (p1."ID" AS person_id, p1."FIRSTNAME" AS first_name, p1."LASTNAME" A
S last_name))提示：Show all people and how many posts they have liked (show people even if they have not liked a post).
不支持 OPTIONAL 匹配。
SELECT person_id, person_firstname, person_lastname, liked_post_ids
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p is "PERSON") OPTIONAL MATCH (p) -[l is "PERSONLIKESPOST"]-> (post is "POST")
COLUMNS(
VERTEX_ID(p) as person_id,
p."FIRSTNAME" as person_firstname,
p."LASTNAME" as person_lastname,
JSON_ARRAYAGG(VERTEX_ID(post)) as liked_post_ids
))提示：Find all people that Scott can reach.
不支持使用无限制量词的查询。
SELECT person_id, person_firstname, person_lastname
FROM GRAPH_TABLE("ADB_USER"."PERSONGRAPH"
MATCH (src IS "PERSON") -[e IS "PERSONKNOWSPERSON"]->* (dst IS "PERSON")
WHERE src."FIRSTNAME" = 'Scott'
COLUMNS (
VERTEX_ID(dst) AS person_id,
dst."FIRSTNAME" AS person_firstname,
dst."LASTNAME" AS person_lastname
)
)间歇性查询
在翻译需要多个 GRAPH_TABLE 运算符的查询时，LLM 会遇到困难。以下是此类示例：
提示：Show people who have liked all the same posts as Hans
SELECT person_id, person_name
FROM GRAPH_TABLE("PERSON_GRAPH"
MATCH (hans is "PERSON") -[likes_hans is "PERSONLIKESPOST"]-> (post is "POST"),
(other_person is "PERSON") -[likes_other is "PERSONLIKESPOST"]-> (post)
WHERE hans."FIRSTNAME" = 'Hans'
COLUMNS (VERTEX_ID(other_person) as person_id, other_person."FIRSTNAME" AS person_name)
)
WHERE NOT EXISTS (
SELECT 1
FROM GRAPH_TABLE("PERSONGRAPH"
MATCH (hans is "PERSON") -[likes_hans is "PERSONLIKESPOST"]-> (post is "POST")
WHERE hans."FIRSTNAME" = 'Hans'
COLUMNS (VERTEX_ID(post) as post_id)
) hans_posts
LEFT JOIN GRAPH_TABLE("PERSONGRAPH"
MATCH (other_person is "PERSON") -[likes_other is "PERSONLIKESPOST"]-> (post
is "POST")
COLUMNS (VERTEX_ID(post) as post_id)
) other_posts
ON hans_posts.post_id = other_posts.post_id
WHERE other_posts.post_id IS NULL
)提示：Find all names of the people that can be reached in a 1 to 3 edge path
SELECT person_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (start_person IS "PERSON") -[e IS "KNOWS"]->{1,3} (end_person IS "PERSON")
COLUMNS (end_person."FIRSTNAME" AS person_name))提示：Find all names of the people that can be reached in a 1 to 3 edge path where each person is younger than the next one
SELECT person_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (start_person IS "PERSON") ((v1 IS "PERSON") -[e IS "KNOWS"]-> (v2 IS"PERSON") WHERE v1."AGE" < v2."AGE"){1,3} (end_person IS "PERSON")
COLUMNS (end_person."FIRSTNAME" AS person_name))LLM 经常难以翻译需要分组和聚合的查询。一个常见的错误是将聚合放在 COLUMNS 子句中，而不是放在 SELECT 子句中。
提示：Find the average number of posts liked by all the users
SELECT AVG(COUNT(post)) AS average_liked_count
FROM GRAPH_TABLE("PERSON_GRAPH"
MATCH (p IS "PERSON") -[e IS "PERSONLIKESPOST"]-> (post IS "POST")
COLUMNS (VERTEX_ID(p) AS person, VERTEX_ID(post) AS post))
GROUP BY person;示例：改进 SQL 查询生成
这些示例演示了数据库表和列中的注释、注释、外键和引用完整性约束条件如何改进从自然语言提示生成的 SQL 查询。
如果数据库表中有表注释和列注释，请在 DBMS_CLOUD_AI.CREATE_PROFILE 函数中启用 "comments":"true" 参数以检索表级注释和列级注释。注释将添加到 LLM 的元数据中，以便更好地生成 SQL。
-- Adding comments to table 1, table 2, and table 3. Table 1 has 3 columns, table 2 has 7 columns, table 3 has 2 columns.
-- TABLE1
COMMENT ON TABLE table1 IS 'Contains movies, movie titles and the year it was released';
COMMENT ON COLUMN table1.c1 IS 'movie ids. Use this column to join to other tables';
COMMENT ON COLUMN table1.c2 IS 'movie titles';
COMMENT ON COLUMN table1.c3 IS 'year the movie was released';
-- TABLE2
COMMENT ON TABLE table2 IS 'transactions for movie views - also known as streams';
COMMENT ON COLUMN table2.c1 IS 'day the movie was streamed';
COMMENT ON COLUMN table2.c2 IS 'genre ids. Use this column to join to other tables';
COMMENT ON COLUMN table2.c3 IS 'movie ids. Use this column to join to other tables';
COMMENT ON COLUMN table2.c4 IS 'customer ids. Use this column to join to other tables';
COMMENT ON COLUMN table2.c5 IS 'device used to stream, watch or view the movie';
COMMENT ON COLUMN table2.c6 IS 'sales from the movie';
COMMENT ON COLUMN table2.c7 IS 'number of views, watched, streamed';
-- TABLE3
COMMENT ON TABLE table3 IS 'Contains the genres';
COMMENT ON COLUMN table3.c1 IS 'genre id. use this column to join to other tables';
COMMENT ON COLUMN table3.c2 IS 'name of the genre';
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name => 'myprofile',
attributes =>
'{"provider": "azure",
"azure_resource_name": "my_resource",
"azure_deployment_name": "my_deployment",
"credential_name": "my_credential",
"comments":"true",
"object_list": [
{"owner": "moviestream", "name": "table1"},
{"owner": "moviestream", "name": "table2"},
{"owner": " moviestream", "name": "table3"}
]
}'
);
DBMS_CLOUD_AI.SET_PROFILE(
profile_name => 'myprofile'
);
END;
/
--Prompts
select ai what are our total views;
RESPONSE
-------------------------------------------------
TOTAL_VIEWS
-----------
97890562
select ai showsql what are our total views;
RESPONSE
-------------------------------------------------------------------------
SELECT SUM(QUANTITY_SOLD) AS total_views
FROM "moviestream"."table"
select ai what are our total views broken out by device;
DEVICE TOTAL_VIEWS
-------------------------- -----------
mac 14719238
iphone 20793516
ipad 15890590
pc 14715169
galaxy 10587343
pixel 10593551
lenovo 5294239
fire 5296916
8 rows selected.
select ai showsql what are our total views broken out by device;
RESPONSE
---------------------------------------------------------------------------------------
SELECT DEVICE, COUNT(*) AS TOTAL_VIEWS
FROM "moviestream"."table"
GROUP BY DEVICE此示例演示了 Select AI 中适用于 Oracle Database 23ai 的注释的集成。注释将添加到发送到 LLM 的元数据中。
如果您的方案中有带注释的表，请在 DBMS_CLOUD_AI.CREATE_PROFILE 函数中启用 "annotations":"true" 以指示 Select AI 将注释添加到元数据。
--
-- Annotations
--
CREATE TABLE emp2 (
empno NUMBER,
ename VARCHAR2(50) ANNOTATIONS (display 'lastname'),
salary NUMBER ANNOTATIONS ("person_salary", "column_hidden"),
deptno NUMBER ANNOTATIONS (display 'department')
)ANNOTATIONS (requires_audit 'yes', version '1.0', ówner 'HR Organization');
Table created.
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name => 'GOOGLE_ANNOTATIONS',
attributes => '{"provider": "google",
"credential_name": "GOOGLE_CRED",
"object_list": [{"owner": "ADB_USER", "name": "emp2"}],
"annotations" : "true"
}');
END;
/
PL/SQL procedure successfully completed.
EXEC DBMS_CLOUD_AI.SET_PROFILE('GOOGLE_ANNOTATIONS');
PL/SQL procedure successfully completed.本示例演示了 LLM 通过将外键和引用键约束条件检索到 LLM 的元数据来生成准确的 JOIN 条件的能力。外键和引用键约束条件提供表与 LLM 之间的结构化关系数据。
在 DBMS_CLOUD_AI.CREATE_PROFILE 函数中为 Select AI 启用 "constraints":"true" 以检索外键和引用键。
--
-- Referential Constraints
--
CREATE TABLE dept_test (
deptno NUMBER PRIMARY KEY,
dname VARCHAR2(50)
);
Table created.
CREATE TABLE emp3 (
empno NUMBER PRIMARY KEY,
ename VARCHAR2(50),
salary NUMBER,
deptno NUMBER,
CONSTRAINT emp_dept_fk FOREIGN KEY (deptno) REFERENCES dept_test(deptno)
);
Table created.
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name=>'GOOGLE_CONSTRAINTS',
attribues =>'{"provider": "google",
"credential_name": "GOOGLE_CRED",
"object_list": [{"owner": "ADB_USER", "name": "dept_test"},
{"owner": "ADB_USER", "name": "emp3"}],
"constraints" : "true"
}');
END;
/
PL/SQL procedure successfully completed.
EXEC DBMS_CLOUD_AI.SET_PROFILE('GOOGLE_CONSTRAINTS');
PL/SQL procedure successfully completed.这些示例说明 Select AI 如何自动检测相关表，并仅为 Oracle Database 23ai 中与查询相关的特定表发送元数据。要启用此功能，请将 object_list_mode 设置为 automated。这将自动创建名为 <profile_name>_OBJECT_LIST_VECINDEX 的向量索引。向量索引使用缺省属性和值（例如 refresh_rate、similarity_threshold 和 match_limit）进行初始化。您可以通过 DBMS_CLOUD_AI.UPDATE_VECTOR_INDEX 修改其中的某些属性。有关详细信息，请参阅“”。
一个配置文件配置为使用 object_list 指定方案或方案中的对象，而另一个配置文件未指定 object_list。但是，需要使用相同的 SQL 构造。
查看以提供对 DBMS_CLOUD_AI 软件包的访问并提供对 AI 提供程序的网络访问。
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name=>'OCI_AUTO',
attributes=>'{"provider": "oci",
"credential_name": "GENAI_CRED",
"object_list": [{"owner": "SH"}],
"oci_compartment_id": "ocid1.compartment.oc1..aaaa...",
"model" : "meta.llama-3.3-70b-instruct"
}');
END;
/
PL/SQL procedure successfully completed.
EXEC DBMS_CLOUD_AI.SET_PROFILE('OCI_AUTO');
PL/SQL procedure successfully completed.
select ai showsql how many customers in San Francisco are married;
RESPONSE
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT COUNT(DISTINCT c."CUST_ID") AS "NUMBER_OF_CUSTOMERS"
FROM "SH"."CUSTOMERS" c
WHERE UPPER(c."CUST_CITY") = UPPER('San Francisco')
AND UPPER(c."CUST_MARITAL_STATUS") = UPPER('married')以下示例在不使用 object_list 的情况下比较同一方案。如果未指定 object_list，则 Select AI 会自动选择当前方案可用的所有对象。
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name=>'OCI_AUTO1',
attributes=>'{"provider": "oci",
"credential_name": "GENAI_CRED",
"oci_compartment_id": "ocid1.compartment.oc1..aaaa...",
"object_list_mode": "automated",
"model" : "meta.llama-3.3-70b-instruct"
}');
END;
/
PL/SQL procedure successfully completed.
EXEC DBMS_CLOUD_AI.SET_PROFILE('OCI_AUTO1');
PL/SQL procedure successfully completed.
select ai showsql how many customers in San Francisco are married?;
RESPONSE
----------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT COUNT(c."CUST_ID") AS "Number_of_Customers"
FROM "SH"."CUSTOMERS" c
WHERE UPPER(c."CUST_CITY") = UPPER('San Francisco')
AND UPPER(c."CUST_MARITAL_STATUS") = UPPER('Married')