使用 Select AI 從自然語言提示產生 SQL
Select AI 功能允許 Autonomous AI Database 使用具有大型語言模型 (LLM) 的生成式 AI，將使用者的輸入文字轉換為 Oracle SQL。Select AI 會處理自然語言提示，以中繼資料補充提示，然後產生和執行 SQL 查詢。
關於 Select AI
使用自然語言透過 SQL 與資料庫和 LLM 互動，以提高使用者生產力並開發 AI 型應用程式。Select AI 使用生成式 AI 來簡化和自動化，無論是從自然語言提示產生、執行和說明 SQL、使用向量儲存區擷取增強生成、產生合成資料或與 LLM 交談。
使用 Select AI 時， Autonomous AI Database 會管理將自然語言轉換為 SQL 的程序。這表示您可以提供自然語言提示，而非 SQL 程式碼來與資料互動。Select AI 可作為 SQL 使用者和開發人員的生產力工具，讓非專業 SQL 使用者無須瞭解資料結構或技術語言，即可從資料中取得有用的洞察力。
Select AI 還可將擷取增強生成 (RAG) 流程自動化，從產生向量內嵌，到根據您的提示使用向量儲存區進行語意相似性搜尋，擷取相關內容。其他功能包括合成資料產生、支援對話的交談歷史記錄以及其他功能，全都來自 SQL 介面。
DBMS_CLOUD_AI 套裝程式可與使用者指定的 LLM 整合，以使用自然語言提示產生 SQL 程式碼。為了生成 SQL 的自然語言，此套件為包含相關資料庫綱要中繼資料的 LLM 提供增強的提示。這會啟用根據自然語言提示產生、執行及說明 SQL 查詢。它也有助於使用向量儲存區產生檢索增強，產生合成資料，並允許與 LLM 交談。DBMS_CLOUD_AI 套裝軟體可與選取您的 AI 提供者與 LLM 中列出的 AI 提供者搭配使用。
附註：
-
您必須擁有 AI 提供者的帳戶，並透過 Autonomous AI Database 使用的
DBMS_CLOUD_AI物件提供憑證。 -
您可以提交多種語言的提示。結果的品質取決於所使用之特定 LLM 或內嵌模型 (轉換器) 的能力。請查閱您的 LLM 或嵌入模型文件，以取得多語言支援。
支援的平台
Autonomous AI Database Serverless 和 Autonomous AI Database (客戶專用 Exadata 基礎架構和雲端) 支援 Select AI。
- Autonomous AI Database 無伺服器
- 專用 Exadata 基礎架構上的 Autonomous AI Database
- 專用 Exadata 基礎架構區域上的 Autonomous AI Database
- Autonomous AI Database Cloud@Customer
相關術語
請務必先瞭解 Select AI 所使用的各種術語，再加以使用。
以下是與 Select AI 功能相關的術語：
| 詞彙 | 定義 |
|---|---|
| 對話 |
Select AI 中的對話代表使用者與系統之間的互動交換，讓使用者能夠透過一系列的自然語言提示查詢或與資料庫互動。Select AI 結合以階段作業為基礎的短期對話，根據先前的互動為目前的提示產生感知情境的回應。最多 10 個先前的提示會併入具有短期對話的目前要求中，建立已傳送至 LLM 的增強提示。Select AI 支援使用可自訂的長期對話，可讓您在不混合環境定義的情況下使用具有不同主題的 Select AI，可透過 DBMS_CLOUD_AI 套件中的對話 API 進行設定。請參閱使用及自訂對話以瞭解詳細資訊。 |
|
資料庫證明資料 |
「資料庫證明資料」是用來存取資料庫並與資料庫互動的認證證明資料。它們通常由使用者名稱和密碼組成，有時也會由其他認證因素 (例如安全記號) 補充。這些證明資料是用來建立應用程式或使用者與資料庫之間的安全連線，確保只有經過授權的個人或系統才能存取和操控資料庫中儲存的資料。 |
|
LLM 幻覺 |
「大型語言模型」的脈絡是指模型產生與輸入提示不正確、非語意或無關之文字的現象。儘管模型嘗試產生一致的文字，但這些實例可以包含結構化、誤導或純粹想像的資訊。由於訓練資料的偏差、缺乏適當的情境理解，或模型訓練過程中的限制，因此會發生虛構。 |
| IAM | Oracle Cloud Infrastructure Identity and Access Management (IAM) 可讓您控管可存取雲端資源的人員。您可以控制某個群組的使用者可具備的存取類型，以及可存取哪些特定資源。若要深入瞭解，請參閱身分識別與存取管理概要。 |
| 中繼資料 |
中繼資料是描述資料的資料。在 Select AI 中，中繼資料是資料庫中繼資料，意指描述資料庫表格與檢視之結構、組織及特性的資料。 對於資料庫表格和視觀表，描述資料包括資料欄名稱和類型、限制條件和索引鍵、視觀表定義、關係、歷程、品質和新鮮度指標、安全性分類以及存取原則。妥善管理的描述資料可讓您探索、更正使用狀況、調整效能及符合規範。選取 AI 增強 NL2SQL 提示，其中包含表格定義的表格中繼資料 (表格名稱、資料欄名稱及其資料類型)，以及選擇性的表格和資料欄註解、註解和限制條件。 |
| 描述資料強化 |
以高品質描述、註解和註解增強資料庫綱要的實務，讓 LLM 能夠更瞭解表格和資料欄的意圖、釐清業務意義，並產生更準確的 SQL。它會將裸機表格或資料欄名稱轉換為具有明確意圖、關係及限制的良好文件資產。 要包含的候選人資訊：
請參閱 AI 強化簡介，深入瞭解如何透過 Visual Studio Code 使用 Oracle SQL Developer for VS Code 新增這類中繼資料。 |
|
一般語言提示 |
自然語言提示是人類可閱讀的指示或要求，用來引導生成式 AI 模型 (例如大型語言模型)。使用者無須使用特定的程式設計語言或指令，而是可以透過在更具對話性或自然語言表單中輸入提示，與這些模型互動。接著，模型會根據提供的提示產生輸出。 |
|
網路存取控制清單 (ACL) |
「網路存取控制清單」是一組規則或權限，定義允許哪些網路流量通過網路裝置，例如路由器、防火牆或閘道。ACL 會根據各種條件 (例如 IP 位址、連接埠號碼以及協定) 來控制和篩選內送和外送流量。他們在網路安全中扮演重要角色，讓管理員能夠管理和限制網路流量，以防止未經授權的存取、潛在攻擊及資料外洩。 |
|
相似性搜尋 |
相似性搜尋會透過比較向量儲存區中的特徵向量來識別和擷取與指定查詢相符的資料點。 |
|
向量的距離 |
向量距離透過計算多維空間中特徵向量之間的距離來測量特徵向量之間的相似性或不相似性。 |
|
向量索引 |
向量索引可組織和儲存特徵向量，以有效率地搜尋和擷取相關資料。 |
|
向量儲存 |
向量儲存包括儲存、管理和啟用涉及向量內嵌語意相似性搜尋的系統。這包括獨立向量資料庫和 Oracle Database 23ai AI Vector Search。 |
選取 AI 使用案例
Select AI 可增強資料互動，讓開發人員能夠直接從 SQL 建置 AI 驅動的應用程式、將自然語言提示轉換為 SQL 查詢和文字回應、支援與 LLM 的交談互動、使用 RAG 提高目前資料的回應準確度，以及產生合成資料。
使用案例包括：
-
從自然語言提示產生 SQL
開發人員生產力：透過快速提供「入門」SQL 查詢，選擇 AI 可大幅提升開發人員的生產力。開發人員可以輸入自然語言提示，而 Select AI 會根據您的資料庫綱要表格和視觀表產生 SQL。這可以減少從頭開始撰寫複雜查詢所需的時間和精力，讓開發人員能夠專注於針對特定需求精簡和最佳化產生的查詢。
一般使用者的自然語言查詢：Select AI 讓一般使用者能夠使用自然語言查詢來與應用程式的基礎資料表和檢視互動。此功能可讓沒有 SQL 專長的使用者直接提出問題並擷取資料，相對於使用的 LLM 功能和可用的綱要描述資料品質，讓資料存取更直觀且容易使用。
產生 SQL 的其他功能：產生 SQL 的自然語言也支援下列標示的功能：
-
指定綱要或表格或視觀表：Select AI 可讓您指定由綱要和選擇性表格或該綱要內的視觀表所組成的物件清單。
-
自動偵測相關表格中繼資料：Select AI 會在 Oracle Database 26ai 中自動偵測相關表格，並只針對與查詢相關的特定表格傳送中繼資料。
- 限制表格存取：選取 AI 可讓您僅考慮 AI 設定檔屬性中所列的表格來產生 SQL，以限制表格存取。
- 指定資料欄的區分大小寫：選取 AI 可讓使用者指定區分大小寫，讓 LLM 從資料庫和 LLM 產生不區分大小寫的回應。
-
-
對話
透過 Select AI 啟用類似聊天機器人的功能，讓使用者能夠自然對話查詢資料並執行動作。這些聊天室可以追蹤情境，提供可釐清或擴展原始問題的後續答案。此案例可提高參與度，並透過對話讓複雜的查詢更容易。
-
使用 Select AI Agent 的專員工作流程
使用 Select AI Agent 來協調多個步驟案例 (例如資料擷取和通知) 的代理程式、工具 (SQL、RAG、Websearch、通知) 和工作。若要深入瞭解，請參閱使用 Select AI Agent 建置自治式代理程式。
-
自訂媒體產生
Select AI 可用來產生個人化媒體內容，例如根據個別客戶詳細資料量身打造的電子郵件。例如，在提示中，您可以指示 LLM 建立一個友善且有趣的電子郵件，鼓勵客戶嘗試一組建議的產品。這些建議可以根據客戶人口統計資料，或是資料庫中可用的其他特定資訊而定。此自訂層級可直接向客戶提供吸引人的相關內容，進而提高客戶參與度。
-
程式碼產生
透過 Select AI
chat動作，您可以使用 Select AI 要求指定的 LLM 從自然語言提示產生程式碼。此功能支援各種程式設計語言，例如 SQL、Python、R 和 Java。範例包括：- Python 程式碼：「撰寫 Python 程式碼，以 ACTUAL 和 PREDICTED 資料欄計算 DataFrame 上的混淆矩陣。」
- SQL DDL ：「撰寫具有資料欄名稱、年齡、收入及國家的 SQL 表格 DDL」。
- SQL 查詢：「撰寫 SQL 查詢，該查詢將使用名為 CHURN_DT_MODEL 的 Oracle Machine Learning 資料庫內模型來預測哪些客戶會流失，以及發生什麼機率。」
-
檢索增強生成 (RAG)
使用向量儲存內容進行語意相似性搜尋，以提升 LLM 回應的提示準確性和相關性。
-
合成資料產生
使用符合您綱要的 LLM 產生合成資料，以進行解決方案測試、概念驗證和其他用途。合成資料可支援在沒有實際資料的情況下對應用程式進行更佳的測試，進而提升應用程式的整體品質。
用法指導方針
提供使用準則，以確保有效且正確地使用 SQL 產生所需的自然語言提示，以確保增強的使用者體驗。
用途
此功能用於產生與執行由使用者提供的自然語言提示所產生的 SQL 查詢。它會結合使用者選擇的大型語言模型 (LLM)，自動根據使用者綱要描述資料執行手動作業。
雖然可以提供任何提示，包括與產生 SQL 查詢結果無關的提示，但 Select AI 著重於產生 SQL 查詢。選取 AI 可透過 chat 動作提交一般要求。
提示擴增資料
資料庫會以資料庫中繼資料來增強使用者指定的提示，以減輕 LLM 的幻燈片。然後，增強提示會傳送至使用者指定的 LLM 以產生查詢。
資料庫只會以綱要描述資料來增強提示。此描述資料可能包括綱要定義、表格和資料欄註解，以及資料說明和目錄中可用的內容。為了產生 SQL，在擴增提示時，資料庫不會提供表格或檢視內容 (實際列或欄值)。
不過，narrate 動作會將查詢的結果 (可能包含資料庫資料) 提供給使用者指定的 LLM，以產生描述查詢結果的自然語言文字。
警告：
大型語言模型 (LLM) 已接受廣泛的文字文件和內容 (通常來自網際網路) 訓練。因此，LLM 可能整合了無效或惡意內容的模式，包括 SQL 資料隱碼。因此，LLM 在產生實用且相關的內容時，也可能產生不正確和偽的資訊，包括產生不正確結果的 SQL 查詢和 (或) 危害資料的安全性。
由使用者指定的 LLM 供應商代替您產生的查詢將在您的資料庫中執行。貴方對此功能的使用須自行承擔風險，即使與 Oracle 提供的服務有關的任何其他條款及條件，亦構成貴方對此風險的接受，並明確排除 Oracle 對此使用所造成之損害賠償責任或責任。
選取您的 AI 提供者與 LLM
選擇符合您安全標準並符合特定需求 (例如文字或程式碼產生) 的 AI 提供者和 LLM。
不同的 LLM 會根據其訓練資料和目標，在各種任務中脫穎而出。有些模型非常適合產生文字，但在產生程式碼時可能表現不佳，其他模型則專門針對編碼工作進行最佳化。選擇最符合您需求的 LLM。
| AI 提供者 | LLM | RAG 的內嵌模型 | 目的 |
|---|---|---|---|
|
OCI 生成式 AI |
|
請參閱關於在生成式 AI 中嵌入模型。 |
所有 只有 若要設定您的設定檔屬性，請參閱設定檔屬性。 |
|
Azure OpenAI 服務 |
|
文字嵌入 -ada-002 |
最適合從自然語言提示、 |
|
OpenAI |
|
文字嵌入 -ada-002 |
最適合從自然語言提示、 |
|
OpenAI- 相容 |
與 OpenAI 相容之提供者的模型，例如：
|
從 OpenAI 相容的提供者內嵌模型。例如，請參閱 Fireworks AI 內嵌模型。 |
支援廣泛的使用案例。 |
|
Cohere |
|
中文 (繁體) v2.0 |
最適用於 |
|
|
|
text-embedding-004 (預設) |
最適合從自然語言提示、 |
|
人類 |
|
無 |
最適合從自然語言提示、 |
|
Hugging Face |
|
無 |
最適合從自然語言提示、 |
|
AWS |
|
支援廣泛的使用案例。 |
附註：
-
透過
provider_endpoint指定與 OpenAI 相容的提供者，而非provider參數。請參閱設定檔屬性。 -
對於接受影像的模型，請使用
meta.llama-3.2-90b-vision-instruct。此模型專門針對視覺和影像進行訓練。雖然模型可用於文字和 SQL 產生，但最適合用於影像。若要深入瞭解，請參閱在 OCI Generative AI 中交談。meta.llama-3.2-11b-vision-instruct模型提供強大的多模型功能。 -
嵌入模型也稱為變壓器模型。
使用 DBMS_CLOUD_AI 設定 AI 設定檔
Autonomous AI Database 使用 AI 設定檔協助和設定對 LLM 的存取，並根據自然語言提示設定以產生、執行及說明 SQL。它也有助於使用內嵌模型和向量索引產生檢索增強生成，並允許與 LLM 交談。
AI 設定檔包含作為自然語言查詢目標的資料庫物件。這些目標中使用的描述資料可以包括資料庫表格名稱、資料欄名稱、資料欄資料類型以及註解。您可以使用 DBMS_CLOUD_AI.CREATE_PROFILE 和 DBMS_CLOUD_AI.SET_PROFILE 程序建立並設定 AI 設定檔。
DBMS_CLOUD_AI 的要求
執行 DBMS_CLOUD_AI 需要下列項目：
- 存取 Oracle Cloud Infrastructure 雲端帳戶和 Autonomous AI Database 執行處理。
- 支援 AI 提供者的付費 API 帳戶，其中之一：
-
OpenAI：若要讓 OpenAI 從自然語言提示產生 SQL，請從您的 OpenAI 付費帳戶取得 API 金鑰。
您可以在使用者設定當中找到您的私密 API 金鑰。
-
Cohere：若要讓 Cohere 能夠從自然語言提示中產生 SQL，請從您的 Cohere 付費帳戶取得 API 金鑰。
按一下儀表板，然後按一下左側導覽中的 API 金鑰。複製預設 API 金鑰或建立其他金鑰。請參閱 API-Keys 以瞭解詳細資訊。
-
Azure OpenAI Service：若要啟用 Azure OpenAI Service ，從自然語言提示產生 SQL，請設定並提供 AI 提供者的存取權。
若要使用 Azure OpenAI Service ，請執行下列步驟：
- 取得您的秘密 API 金鑰。您可以在 Azure 入口網站的 Resource Management 區段中找到您的 API 金鑰。在您的 Azure OpenAI 服務資源頁面上，按一下金鑰和端點。您可以複製 KEY1 或 KEY2。
- 建立 Azure OpenAI Service 資源並部署模型：建立及部署 Azure OpenAI Service 資源。
秘訣：
- 請注意資源名稱和部署名稱，這些參數會用來提供網路存取權限，並使用
DBMS_CLOUD_AI.CREATE_PROFILE程序建立 Azure OpenAI Service 設定檔。 - 若要深入瞭解模型上每分鐘記號的速率限制，請參閱 Azure OpenAI 服務配額和限制。
- 請注意資源名稱和部署名稱，這些參數會用來提供網路存取權限，並使用
- 允許存取 Azure OpenAI 服務：
- 您可以使用加密密碼 API 金鑰存取 Azure OpenAI 服務。若要深入瞭解，請參閱使用 Select AI 的範例中的範例。
- OCI Generative AI：請參閱 How to Generate the API Signing Key 。
- Google：若要讓 Google AI Studio 產生您自然語言提示的 SQL 和文字回應，請從您的 Google AI Studio 付費帳戶取得 API 金鑰。
- 前往 Google AI Studio 。
- 按一下「登入 Google AI Studio」。
- 按一下提示畫面上的「取得 API 金鑰」。
- 選取下一頁所有適用的選項。
- 按一下「建立 API 金鑰」。
-
按一下新專案中的「建立 API」金鑰。
此畫面會顯示進度並產生 API 金鑰。複製金鑰並儲存。
- Anthropic：若要啟用「Anthropic 開發人員主控台」以產生自然語言提示的 SQL 和文字回應，請從您的「Antropic 開發人員主控台」付費帳戶取得 API 金鑰。
- 前往 Anthropic Developer Console 。
- 若您還沒有註冊帳號，請註冊該帳號。
- 登入後，導覽至 API 區段或儀表板。
- 尋找產生或檢視 API 金鑰的選項。
- 按一下即可建立新的 API 金鑰。
-
複製產生的 API 金鑰並加以儲存。
Claude API 是付費服務。您必須先將點數新增至帳戶，才能使用 API 金鑰。
- 擁抱臉部：為了讓您的 AI 提供者能夠產生自然語言提示的 SQL 和文字回應，請從 Hugging Face 付費帳戶取得 API 金鑰。
- 前往 Hugging Face 。
- 若您還沒有註冊帳號，請註冊該帳號。
- 瀏覽至您的帳號設定。
- 在導覽功能表中，尋找「存取權杖」。
- 按一下即可建立新的 API 金鑰。
- 複製產生的 API 金鑰並加以儲存。
-
AWS：若要啟用 AWS，請取得您的 API 金鑰和模型 ID。
取得您的 API 金鑰，並使用該金鑰透過
DBMS_CLOUD.CREATE_CREDENTIAL建立證明資料。請依照此程序取得您的 API 金鑰和模型名稱：
- 如果您還沒有 AWS 帳戶，請註冊。
- 從 AWS Bedrock Console 建立您的存取金鑰和私密金鑰。
- 複製產生的關鍵碼並加以儲存。
- 要求存取其基礎模型。請參閱存取 Amazon Bedrock 基礎模型。
- 取得模型 ID。您需要
DBMS_CLOUD_AI.CREATE_PROFILE程序中的模型 ID。模型 ID 取決於您使用的資源。如果您使用的是：- 基本目錄模型，指定模型 ID 或其 ARN (Amazon 資源名稱)。如需基本目錄模型的模型 ID 清單，請參閱 Amazon Bedrock 基本目錄模型 ID
- 推論設定檔，指定推論設定檔 ID 或其 ARN。如需推論設定檔 ID 的清單，請參閱跨區域推論的支援區域與模型。
- 佈建的模型，指定「佈建的傳輸量」的 ARN。如需詳細資訊，請參閱使用佈建的傳輸量執行推論。
- 自訂模型，為其購買「佈建的傳輸量」。然後，指定產生之佈建模型的 ARN。如需詳細資訊，請參閱在 Amazon Bedrock 中使用自訂模型。
- Amazon Bedrock Marketplace 模型，請指定您所建立市集端點的 ID 或 ARN，請參閱 Amazon Bedrock Marketplace 。
附註：
Bedrock Converse API 不支援匯入的模型。
若要使用 AWS 作為提供者，請參閱範例：使用 AWS 選取 AI 。
-
- 存取您外部 AI 提供者的網路 ACL 權限。
附註：
網路 ACL 不適用於 OCI Generative AI。 - 可存取 AI 提供者的證明資料。
DBMS_CLOUD_AI ：
-
將
DBMS_CLOUD_AI套裝程式的EXECUTE權限授予想要使用 Select AI 的使用者。預設只會授予 ADMIN 使用者
EXECUTE權限。ADMIN 使用者可以將EXECUTE權限授予其他使用者。下列範例將EXECUTE權限授予ADB_USER：grant execute on DBMS_CLOUD_AI to ADB_USER;下列範例授予
ADB_USER使用 api.openai.com 端點的權限。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; / -
將網路 ACL 存取權授予想要使用 Select AI 和 AI Provider 端點的使用者。
ADMIN 使用者可授予網路 ACL 存取權。請參閱 Oracle Database 19c PL/SQL Packages and Types Reference 中的 APPEND_HOST_ACE Procedure 或 Oracle Database 26ai PL/SQL Packages and Types Reference ，瞭解詳細資訊。
- 建立證明資料以啟用 AI 提供者的存取權。
如需詳細資訊，請參閱CREATE_CREDENTIAL 程序。
以下範例說明如何建立證明資料以啟用 OpenAI 的存取權。
EXECDBMS_CLOUD.CREATE_CREDENTIAL('OPENAI_CRED', 'OPENAI', 'your_api_token');
APPEND_HOST_ACE 函數參數
| Parameter - 參數 | 描述 |
|---|---|
|
|
主機，可以是主機的名稱或 IP 位址。您可以使用萬用字元指定網域或 IP 子網路。主機或網域名稱不區分大小寫。 若為 OpenAI，請使用 api.openai.com。 對於 Cohere，請使用 api.cohere.ai。 對於 Azure OpenAI Service ，請使用 <azure_resource_name>.openai.azure.com。請參閱設定檔屬性以瞭解 若為 Google，請使用 generativelanguage.googleapis.com。 對於人類，請使用 api.anthropic.com。 對於 Hugging Face，請使用 api-inference.huggingface.co。 |
|
|
存取控制項目 (ACE)。系統會提供 |
DBMS_CLOUD.CREATE_CREDENTIAL 參數
建立和設定 AI 設定檔
描述建立和啟用 AI 設定檔的步驟。
請使用 DBMS_CLOUD_AI.CREATE_PROFILE 建立 AI 設定檔。接下來啟動 DBMS_CLOUD_AI.SET_PROFILE 以啟用 AI 設定檔，以便搭配使用 SELECT AI 搭配自然語言提示。
附註：
您必須先在每個新的資料庫階段作業 (連線) 中執行 DBMS_CLOUD_AI.SET_PROFILE ，才能使用 SELECT AI。
下列使用 OpenAI 提供者的範例會建立名為 OPENAI 的 AI 設定檔，並設定目前使用者階段作業的 OPENAI 設定檔。
-- 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 關鍵字輸入提示
使用 AI 作為 SELECT 敘述句中的關鍵字，以使用自然語言提示與資料庫互動。
SELECT 陳述式中的 AI 關鍵字會指示 SQL 執行引擎使用作用中 AI 設定檔中識別的 LLM 來處理自然語言並產生 SQL。
您可以在查詢中使用 AI 關鍵字與 Oracle 從屬端 (例如 SQL Developer、OML Notebooks 和第三方工具) 進行互動，以自然語言與資料庫進行互動。
附註：
您無法使用AI 關鍵字執行 PL/SQL 敘述句、DDL 敘述句或 DML 敘述句。
語法
SELECT AI action natural_language_prompt參數
| Parameter - 參數 | 描述 |
|---|---|
|
|
使用自然語言提示執行提供的 SQL 命令。此為預設動作，可選擇是否指定此參數。 |
|
|
顯示自然語言提示的 SQL 陳述式。 |
|
|
提示的輸出會以自然語言來說明。此選項會將 SQL 結果傳送給 AI 提供者，以產生自然語言摘要。 |
|
|
根據提示直接從 LLM 產生回應。如果 |
|
|
提示產生的 SQL 是以自然語言來說明。此選項會將產生的 SQL 傳送給 AI 提供者，以產生自然語言說明。 |
使用注意事項
-
「資料庫動作」或 APEX 服務不支援選取
AI。您只能使用DBMS_CLOUD_AI.GENERATE函數。 -
AI關鍵字僅在SELECT陳述式中支援。 -
您無法使用
AI關鍵字執行 PL/SQL 敘述句、DDL 敘述句或 DML 敘述句。 -
序列為
SELECT，後面接著AI。這些關鍵字沒有大小寫之別。設定DBMS_CLOUD_AI.SET_PROFILE之後，SELECT AI之後的文字即為自然語言提示。如果未設定 AI 設定檔，SELECTAI會報告下列錯誤：ORA-00923: FROM keyword not found where expected 00923. 00000 - "FROM keyword not found where expected" -
依據 Oracle 準則套用特殊字元使用規則。例如，如果您在句子中使用單引號，請使用兩次單引號。
select ai how many customers in SF don''t own their own home -
LLM 需遵守 hallucinations ，結果並非總是正確的：
-
SELECT AI可能無法針對特定自然語言提示執行產生的 SQL。 -
SELECT AI可能無法產生特定自然語言提示的 SQL。
在此情況下，
SELECT AI會回應資訊以協助您產生有效的 SQL。 -
-
使用
chat動作搭配SELECT AI chat以進一步瞭解 SQL 建構。若要取得chat動作的較佳結果，請使用含有相關內容資料欄名稱的資料庫檢視或表格，或考慮新增說明資料欄中儲存值的資料欄註解。 -
若要存取 DBA 或 USER 視觀表，請參閱 DBMS_CLOUD_AI Views 。
使用及自訂對話
Select AI 支援 AI 設定檔中啟用的短期、以階段作業為基礎的對話，以及使用特定程序或函數和對話 ID 啟用的長期具名對話。
附註：
從版本 19.30 開始，Oracle Database 19c 以及從版本 23.26.1 開始在 Oracle Database 26ai 中提供 Select AI 對話支援。對話的類型
Select AI 支援以階段作業為基礎的短期對話和可自訂的對話。
以階段作業為基礎的短期對話：Select AI 包含以階段作業為基礎的短期對話，可根據先前的互動產生目前提示的相關內容感知回應。
您可以在 AI 設定檔中將 conversation 屬性設為 true|false 來啟用它。與多個對話功能不同，以階段作業為基礎的對話存放區提示只會在階段作業的持續時間內顯示。提示會儲存在暫時表格中、階段作業結束時自動刪除，而且無法在對話之間重複使用和切換。
可自訂的長期對話：Select AI 支援建立和使用可自訂的對話，讓您能夠將 Select AI 與不同的主題搭配使用，而不會混合內容，進而提升彈性和效率。您可以透過 DBMS_CLOUD_AI 對話程序和功能來建立、設定、刪除及更新對話。當您啟用對話時，Select AI 會擷取提示歷史記錄，並將其傳送至 LLM 以產生目前提示的回應。這些回應會儲存在永久表格中以供日後使用。
附註：
「選取 AI 對話」支援下列動作：runsql、showsql、explainsql、narrate 及 chat。
如何使用可自訂對話
您可以使用 Select AI 進行可自訂的對話，方法如下：
-
使用
DBMS_CLOUD_AI.SET_CONVERSATION_ID程序在階段作業中設定對話 ID，然後執行SELECT AI <ACTION> <PROMPT>。 -
在
DBMS_CLOUD_AI.GENERATE函數的params引數中傳送conversation_id。
附註：
如果您同時使用多個對話和conversation: [true|false] 設定，系統會忽略 conversation 設定。
在 SQL 查詢產生 (NL2SQL) 的相關資訊環境中，對話提供更直觀且易於存取的方式來處理資料，讓使用者更輕鬆地擷取洞察分析並執行工作，而不需要對 SQL 的深入技術知識。對話也可以與 Select AI 的交談和 RAG 功能搭配使用。
- 問個問題，例如「客戶總數為何」
- 追蹤情境感知問題，例如：
- 「依國家 / 地區區分的客戶數中斷」
- 「最常見的年齡組別」
- 「按客戶購買情況保留前 5 名客戶及其國家 / 地區，並在結果中加入排名。」
若要啟用對話，請參閱範例：在 Select AI 中啟用對話以取得完整範例。
以階段作業為基礎的對話與可自訂的對話
下表比較 Select AI 中的階段作業式對話與可自訂對話：
| 問題 | 以階段作業為基礎的短期對話 | 可自訂的長期對話 |
|---|---|---|
|
何時該使用？ |
最適合快速、臨時的交談，您希望模型在單一階段作業中記住最近的問題與答案。當您稍後不需要儲存或重複使用對話時，此功能相當實用。 |
專為可能跨多個階段作業的較長或持續對話所設計。當您想要追蹤、複查或管理對話歷史記錄，或者當應用程式的不同部分需要在一段時間內存取相同的對話相關資訊環境時，此功能非常有用。 |
|
我該如何啟用？ |
在您的 AI 設定檔中設定 |
使用 |
|
允許多少對話？ |
一、 |
您可以建立多個對話。 如果您明確指定對話 ID，您可以替代對話 ID，視需要將提示與適當的對話建立關聯。 |
|
提示的儲存位置和儲存時間為何？ |
提示會儲存在暫時表格中，並在階段作業結束時刪除。 |
提示會儲存在永久表格中。 提示會保留在資料庫中，天數由 |
|
會儲存多少個提示，以及將多少個提示傳送至 LLM？ |
最多可儲存 10 個提示並傳送至 LLM。您無法自訂此限制。 |
系統會儲存所有提示。 依預設，系統會將 10 個最新的提示傳送至 LLM。您可以使用 |
|
是否可以刪除個別提示？ |
否，您無法手動刪除個別提示。 |
您可以使用 USER_CLOUD_AI_CONVERSATION_PROMPTS 檢視中指定的提示 ID，並使用 |
|
AI 設定檔是否用於擷取對話？ |
是，Select AI 會擷取先前使用相同 AI 設定檔產生的提示和回應。 |
否，Select AI 會追蹤儲存提示和回應時使用的 AI 設定檔，但不會根據該設定檔限制擷取。它會將所有對話歷史記錄傳送給 LLM 以引導產生回應，無論用來產生回應的設定檔為何。 |
|
哪裡可以查看提示歷史記錄？ |
提示會儲存在 CLOUD USER 下的暫時表格中，但無法存取以進行查詢。 |
您可以透過 |
提供意見以改善 LLM
Select AI 可讓您提供意見回饋，協助改善所選 LLM 產生更準確的 SQL 查詢的能力。
附註：
此功能僅適用於 Oracle Database 23ai。您可以將它與現有的 Select AI 動作搭配使用：runsql、showsql 和 explainsql。請確定您的 AI 設定檔已設定為 NL2SQL 產生，而不是 RAG。
您可以提供意見，以透過 feedback 動作或 DBMS_CLOUD_AI.FEEDBACK 程序改善產生之 SQL 的準確性。當您第一次使用意見回饋功能時，選取 AI 會使用預設屬性建立名為 <profile_name>_FEEDBACK_VECINDEX 的預設向量索引。此索引可協助根據提供的意見來縮小未來產生的 SQL。如需詳細資訊，請參閱 FEEDBACK 的向量索引。
秘訣：
當指定的 LLM 無法產生正確的 SQL 查詢或未從其中一個 NL2SQL SELECT AI 動作傳回預期的結果時，請使用 DBMS_CLOUD_AI.FEEDBACK 程序。您也可以使用 DBMS_CLOUD_AI.FEEDBACK 程序，將正確的 SQL 直接新增至向量表格。這有助於引導未來 SQL 產生，作為類似提示的參照。
-
正向回饋：您核准並確認所產生 SQL 的正確性。系統會儲存已確認的查詢以供日後參考。
-
否定回饋：如果 NL2SQL
SELECT AI動作的結果無法產生正確的 SQL，您可以使用SELECT AI feedback <feedback>提供必要的 SQL 查詢改善項目，或者使用DBMS_CLOUD_AI.FEEDBACK程序來識別查詢中的錯誤，或提供處理中預期的指引。系統會使用 LLM 精簡查詢，並儲存精簡版本以供未來產生 Select AI 查詢。儲存的精簡查詢會作為提示使用，並作為增強提示的一部分傳送至 LLM。
使用意見回饋的優點
Select AI 的意見回饋動作與程序引進了可提高 SQL 查詢產生準確性的提示調整機制。
- 可提高 SQL 查詢的準確性。
- 讓 AI 設定檔的擁有者能夠透過確認正確的查詢，或透過提供語意意或業務定義來產生正確的查詢來建議更正，以提供意見回饋。
- 使用歷史意見回饋作為未來查詢產生的提示，以因應您的需求。
如何提供意見
Select AI 可讓您使用 feedback 動作或呼叫 DBMS_CLOUD_AI.FEEDBACK 程序來提供意見。
警示：
在多位使用者以擁有 AI 設定檔的單一資料庫使用者身分共用資料庫階段作業的應用程式中，請勿使用意見反應動作。AI 設定檔擁有者應在確認更正後的查詢適用於該設定檔的所有使用者之後，才提供意見回饋。
-
SQL_TEXT：在目前 SQL 查詢的引號中包含意見，或者您可以查詢V$MAPPED_SQL視觀表來取得特定查詢的SQL_TEXT。 -
SQL_ID：您可以查詢V$MAPPED_SQL視觀表來取得SQL_ID。 -
使用上次產生的 SQL：以自然語言提供您的意見回饋。
附註：
如果要使用上一個 SQL，請確定已在 Oracle SQL*Plus 或 Oracle SQLcl 中將伺服器輸出設為關閉。您必須具備sys.v_$session和v_$mapped_sql表格的READ權限。GRANT READ ON SYS.V_$MAPPED_SQL TO ADB_USER; GRANT READ ON SYS.V_$SESSION TO ADB_USER;
請參閱 FEEDBACK 程序和範例：選取 AI 意見以瞭解詳細資訊。
使用特性圖表查詢圖表資料
Select AI 會使用自然語言在 Oracle Property Graphs 上產生 Property Graph 查詢 (PGQ)。它可讓使用者以最少的 SQL 知識，透過 GRAPH_TABLE 運算子查詢圖表資料。
Select AI 將自然語言延伸至 SQL (NL2SQL) 功能，以圖形結構，讓您能夠使用自然語言查詢 SQL 屬性圖形。Select AI 會套用 GRAPH_TABLE 運算子，以解譯圖形結構化資料中的關係和屬性。它會根據 AI 設定檔中定義的資料物件產生 SQL 或 PGQ 圖表查詢。在 AI 設定檔中包含特性圖表時，Select AI 會使用生成式 AI 來建立透過 GRAPH_TABLE 運算子參考圖表的 PGQ 查詢。LLM 會自動接收圖形物件的中繼資料 (例如 CREATE PROPERTY GRAPH 陳述式)，以產生準確的查詢。指定表格、視觀表或關聯物件時，Select AI 會產生 SQL 查詢。此功能可簡化 Oracle AI Database 中儲存之圖表資料的樣式比對查詢，並減少手動建構 SQL 查詢的相依性。
object_list 屬性中定義的一或多個特性圖表建立 AI 設定檔時，AI 設定檔中定義的 LLM 會使用指定特性圖表的內容解譯提示。Select AI 會建立增強的提示，其中包括：
-
建構 PGQ 查詢的指示。
-
描述所提供特性圖表 (來自其
CREATE PROPERTY GRAPH敘述句) 的描述資料。
此擴增提示會傳送至 LLM。Select AI 會執行查詢並傳回結果。如果特性圖與其他物件類型 (例如 AI 設定檔中的表格、綱要或視觀表) 一起指定，則 Select AI 會產生錯誤。
SQL 與 PGQ
object_list 屬性中定義的物件。
-
SQL 查詢：使用關聯式資料，例如綱要、表格或視觀表。
-
PGQ 查詢：使用特性圖表並套用
GRAPH_TABLE運算子以進行樣式比對。
請參閱 SQL 特性圖表和 SQL GRAPH 查詢以瞭解詳細資訊。
在特性圖表上使用 Select AI 的優勢
資料庫使用者可以使用 Select AI，從自然語言生成圖表查詢，減少手動工作並改善對圖表關係的理解。
-
NL2SQL:Select AI 的 NL2SQL 功能現在延伸至圖表查詢，讓使用者能夠撰寫自然語言提示，例如尋找購買禮服的客戶。
-
SQL 或 PGQ：視資料物件而定，Select AI 會自動產生 SQL 或 PGQ 查詢。
-
生產力：使用
GRAPH_TABLE運算子減少建立圖表查詢的時間和精力。 -
對話：保留對話相關資訊環境並查詢特性圖表。
如何在特性圖表上使用 Select AI
Select AI 可讓您使用 DBMS_CLOUD_AI.GENERATE 函數或使用 Select AI <action> <prompt> 來瀏覽圖表資料。
object_list 屬性中定義特性圖表之後，您可以使用：
-
SQL 命令行中的
SELECT AI <ACTION> <PROMPT>，以產生輸出。 -
DBMS_CLOUD_AI.GENERATE函數，並在函數中提供提示。
以下為支援的動作：runsql、showsql、explainsql、narrate 和 showpropmt。Select AI for Property Graph 也支援基於工作階段的短期和可自訂的長期對話。
請參閱範例：為特性圖表選取 AI 和範例：特性圖表的範例提示以瞭解詳細資訊。
使用 Select AI 的範例
探索如何將 Oracle Select AI 與各種支援的 AI 供應商整合，以從自然語言提示產生、執行和解釋 SQL，或與 LLM 交談。
範例：選取 AI 動作
下列範例說明可以使用 SELECT AI 執行的動作，例如 runsql (預設值)、showsql、narrate、chat、explainsql、feedback 和 summarize。這些範例使用 sh 綱要搭配 AI 提供者，以及 DBMS_CLOUD_AI.CREATE_PROFILE 函數中指定的設定檔屬性。在目前階段作業中使用 DBMS_CLOUD_AI.SET_PROFILE 程序設定 AI 設定檔之後，請使用「選取 AI 動作」。
若要產生文字摘要，請使用 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.範例：使用 AWS 選取 AI
此範例顯示如何使用 AWS 從自然語言提示產生、執行及說明 SQL，或使用 AWS 提供的模型進行交談。
以下範例顯示如何使用 AWS 作為 Amazon Bedrock 的 AI 供應商及其基礎模型。此範例顯示建立 AWS 證明資料、提供網路存取、建立 AI 設定檔，以及使用 Select AI 動作從自然語言提示產生 SQL 查詢，以及使用 AWS 基礎模型進行交談。
若要使用 AWS，請取得存取金鑰、秘密金鑰以及模型 ID。請參閱。使用模型 ID 作為 DBMS_CLOUD_AI.CREATE_PROFILE 程序中的 model 屬性。您必須明確指定 model 屬性，因為未提供預設模型。
--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.範例：在 Select AI 中啟用對話
這些範例說明如何在 Select AI 中啟用對話。
附註：
具備管理員權限 (ADMIN) 的使用者必須授予 EXECUTE 並啟用網路存取控制清單 (ACL)。
以階段作業為基礎的對話
建立您的 AI 設定檔。將設定檔中的 conversation 屬性設為 true，此動作包括先前互動或提示的內容 (可能包括綱要描述資料)，以及設定您的設定檔。設定檔啟用後，您就可以開始與資料進行對話。使用自然語言提出問題並視需要進行追蹤。
--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.可自訂對話
- 建立對話
- 設定目前使用者階段作業中的對話
- 使用
Select AI <action> <prompt>
- 使用
DBMS_CLOUD_AI.CREATE_CONVERSATION函數，然後使用DBMS_CLOUD_AI.SET_CONVERSATION_ID設定對話。 - 直接呼叫
DBMS_CLOUD_AI.CREATE_CONVERSATION程序，在一個步驟中建立和設定對話。
下列範例示範如何使用 DBMS_CLOUD_AI.CREATE_CONVERSATION 函數建立對話，並使用 DBMS_CLOUD_AI.SET_CONVERSATION_ID 程序加以設定。
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下列範例會示範執行 DBMS_CLOUD_AI.CREATE_CONVERSATION 程序來直接建立和設定 conversation_id。
EXEC DBMS_CLOUD_AI.create_conversation;
PL/SQL procedure successfully completed.您也可以自訂對話屬性，例如 title、description、retention_days 和 conversation_length 屬性。
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您可以查詢 DBA/USER_CLOUD_AI_CONVERSATIONS 檢視來檢視特定對話是否存在。
-- 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
您也可以呼叫 DBMS_CLOUD_AI.GET_CONVERSATION_ID 函數來驗證對話是否已設定。
SELECT DBMS_CLOUD_AI.GET_CONVERSATION_ID;
--------------------------------------------------------------------------------
30C9DB6E-EA4F-AFBA-E063-9C6D46644B92建立並設定對話並啟用 AI 設定檔之後，您就可以開始與資料互動。使用自然語言提出問題並視需要進行追蹤。
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.下列範例顯示如何交替使用兩個對話來提問並驗證正確回應。每個對話都以一個著重於比較的不同問題開始。之後，當您在兩個對話中提出相同的後續追蹤問題時，每個對話都會根據其先前的內容傳回不同的答案。
-- 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.
您可以在不指定對話的情況下呼叫 DBMS_CLOUD_AI.GENERATE 函數；不過，在這種情況下，不應有意義的回應。
-- 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.
您可以查詢 DBMS_CLOUD_AI 對話檢視以複查對話和提示詳細資訊。請參閱 瞭解詳細資訊。
附註：
此具有 DBA_ 前置碼的檢視僅適用於具有管理員權限 (ADMIN) 的使用者。
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 程序來更新對話的 title、description 及 retention_days。您可以查詢 DBMS_CLOUD_AI 對話檢視來驗證更新。
-- 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您可以從對話中刪除個別提示，並透過查詢 DBMS_CLOUD_AI 對話檢視來驗證修改。
-- 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您可以刪除整個對話，這也會移除與其關聯的所有提示。
-- 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範例：選取 AI 意見回饋
這些範例示範如何使用 DBMS_CLOUD_AI.FEEDBACK 程序和不同的案例來提供意見，以改善後續的 SQL 查詢產生。
附註：
即使先前尚未執行提示，您仍可針對「選取 AI SQL」提示提供意見回饋。在提交意見回饋之前，選取 AI 不需要在查詢中使用 SQL 提示；您可以隨時提供任何有效提示的意見回饋。
下列範例示範使用 feedback_type 作為 negative，並提供 SQL 查詢，將產生的 SQL 更正作為回饋 (負反饋)。
您可以呼叫含有提示之 sql_text 參數的 DBMS_CLOUD_AI.FEEDBACK 程序，將意見回饋新增至名為 OCI_FEEDBACK1 的 AI 設定檔。請參閱 以瞭解屬性。然後，從連結至該特定 SQL 查詢的 <profile_name>_FEEDBACK_VECINDEX$VECTAB 表格擷取 content 和 attributes 資料欄。當您第一次使用意見回饋功能時，選取 AI 會自動建立此向量表。請參閱 ，以取得詳細資訊。
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}下列範例示範，提供您同意並確認使用 feedback_type 作為 positive 所產生之 SQL (正面回饋) 的核准。
在此範例中，查詢會從指定提示的 v$mapped_sql 檢視擷取 sql_id。請參閱 V_MAPPED_SQL 以取得詳細資訊。
您可以使用 sql_id 參數呼叫 DBMS_CLOUD_AI.FEEDBACK 程序，將意見回饋新增至名為 OCI_FEEDBACK1 的 AI 設定檔。然後，從連結至該特定 SQL 查詢的 <profile_name>_FEEDBACK_VECINDEX$VECTAB 表格擷取 content 和 attributes 資料欄。當您第一次使用意見回饋功能時，選取 AI 會自動建立此向量表。請參閱 ，以取得詳細資訊。
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}即使先前未使用過提示，您仍可以提供 SQL 提示的意見回饋。舉例而言：
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;
/在此情況下，會提交提示 select ai runsql how many products named PAD 的意見，而不需要事先使用提示。
DBMS_CLOUD_AI.FEEDBACK 程序參數來新增或刪除所產生 SQL 的意見回饋。此範例示範使用 sql_id 和 sql_text 以及其他參數。
附註：
Select AI 僅允許為每個sql_id 輸入一個意見回饋。如果您對相同的 sql_id 提供其他意見，Select AI 會將上一個項目取代為新的項目。
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');此範例示範如何使用 feedback 動作，透過建議使用自然語言進行修改來改善產生的 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此範例示範如何使用 feedback 動作來接受使用自然語言產生的 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此範例示範使用 SQL_ID 搭配 feedback 動作，為特定產生的 SQL 查詢提供意見。您可以查詢 v$MAPPED_SQL 表格來取得 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
此範例顯示特定 Select AI 查詢的 feedback 動作，其中包含引號中的 Select AI 提示，後面接著您的意見回饋。
-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範例：為特性圖表選取 AI
此範例顯示如何使用 DBMS_CLOUD_AI.GENERATE 程序和自然語言提示來產生查詢圖表資料的 PGQ 圖表查詢。
此範例顯示如何在 AI 設定檔中定義多個特性圖表，包括範例查詢及其輸出。
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.範例：特性圖表的範例提示
這些範例顯示如何使用指定提示的 showsql 動作來建立範例資料及顯示產生的 SQL。
下列範例會建立範例表格與特性圖表。
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不支援的查詢
對於下列查詢，某些 LLM 會產生有效的 NL2SQL，但產生的 SQL 會使用 Oracle AI Database 26ai 尚未支援的功能。
提示：Find people that do not know Scott.
不支援 EXISTS 子查詢。
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).
不支援 OPTIONAL 比對。
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.
不支援使用未繫結數量詞的查詢。
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
)
)間歇性查詢
在翻譯需要多個 GRAPH_TABLE 運算子的查詢時，已顯示 LLM 奮鬥。以下為範例：
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 通常難以翻譯需要分組和聚總的查詢。常見的錯誤是將聚總放在 COLUMNS 子句而非 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;範例：改善 SQL 查詢產生
這些範例示範了資料庫表格和資料欄中的註解、註解、外來索引鍵以及參照完整性限制條件如何改善從自然語言提示產生 SQL 查詢。
如果您的資料庫表格中有表格和資料欄註解，請啟用 DBMS_CLOUD_AI.CREATE_PROFILE 函數中的 "comments":"true" 參數，以擷取表格層次和資料欄層次註解。註解會新增至 LLM 的中繼資料，以產生更佳的 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此範例示範在 Oracle Database 23ai 中適用的 Select AI 中註解整合。註釋會新增至傳送至 LLM 的中繼資料。
如果您的綱要中有包含註釋的表格，請在 DBMS_CLOUD_AI.CREATE_PROFILE 函數中啟用 "annotations":"true"，以指示 Select AI 將註釋新增至中繼資料。
--
-- 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.此範例示範 LLM 在 LLM 的描述資料中擷取外來索引鍵和參考索引鍵限制條件，以產生精確的 JOIN 條件。外來索引鍵和參考索引鍵限制條件提供表格與 LLM 之間的結構化關係資料。
在 DBMS_CLOUD_AI.CREATE_PROFILE 函數中啟用 "constraints":"true"，讓 Select AI 擷取外來索引鍵與參考索引鍵。
--
-- 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.這些範例顯示 Select AI 如何自動偵測相關表格，並僅針對與 Oracle Database 23ai 中查詢相關的特定表格傳送中繼資料。若要啟用此功能，請將 object_list_mode 設為 automated。這會自動建立名為 <profile_name>_OBJECT_LIST_VECINDEX 的向量索引。向量索引是以預設屬性和值 (例如 refresh_rate、similarity_threshold 和 match_limit) 初始化。您可以透過 DBMS_CLOUD_AI.UPDATE_VECTOR_INDEX 修改部分屬性。請參閱 ，以取得詳細資訊。
一個設定檔設定為使用 object_list 來指定綱要或綱要中的物件，而另一個設定檔則未指定 object_list。不過，預期會有相同的 SQL 建構。
請參閱 以提供 DBMS_CLOUD_AI 套裝軟體的存取權，並提供 AI 提供者的網路存取權。
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')下列範例會在不使用 object_list 的情況下比較相同的案例。當您未指定 object_list 時，「選取 AI」會自動選擇目前綱要可用的所有物件。
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')