Lerne, Text-to-Query-Agents zu bauen, damit du Gespräche mit deinen Daten führen kannst!

Text-to-Query-Agents

Richte dich für die praktischen Übungen ein

Der Text-zu-Query-Workflow

MongoDB-Abfragen schreiben

Komplexere Aggregationen

Ein Text-zu-Abfrage-Workflow in der Praxis

Text-to-Query-Agents: Anwendungen und Architektur

Mach deinen Text-to-Query-Workflow agentenbasiert! Durch das Bauen und Orchestrieren von AI-Agents mit LangGraph erstellst du smarte und dynamische Text-to-Query-Workflows.

Die Architektur des Text-zu-Abfrage-Agenten

Den Werkzeugkasten des Agents bauen

Den Text-zu-Abfrage-Prompt erstellen

Den Text-zu-Query-Agenten orchestrieren

Text-to-Query-Workflows mit Agents automatisieren

Integriere einen Kurzzeitspeicher in deinen Text-to-Query-Agent, damit er Abfragen nicht neu ausführen muss, um Erkenntnisse zu kombinieren.

Memory und Checkpointing in LangGraph

Dem Agenten Speicher hinzufügen

Glückwunsch!

Dem Agent Speicher hinzufügen

Hast du dir schon einmal gewünscht, mit deiner Datenbank chatten zu können? Mit LLMs und AI-Agents ist das jetzt möglich. In diesem Kurs lernst du, wie du mit einer MongoDB-Datenbank-Instanz interagierst und chattest – mit LangGraph für die Orchestrierung der Agents. Du erfährst mehr über Herausforderungen und Mehrwert von Text-to-Query-Workflows, baust deinen eigenen, um datenbezogene Fragen zu einem Film-Datensatz zu beantworten, und implementierst sogar Memory-Checkpointing, damit du Gespräche genau dort fortsetzen kannst, wo du aufgehört hast!

Introduction to Functions in Python

Entdecken Sie, wie Sie mit Text-zu-Abfrage-AI-Agenten und MongoDB sowie LangGraph mit Daten sprechen.

Text-to-Query-Agents mit MongoDB und LangGraph

Finde heraus, wie du mit deinen Daten über Text-to-Query-KI-Agenten mit MongoDB und LangGraph kommunizieren kannst.

Den Werkzeugkasten des Agents bauen

Übungsanweisungen

Interaktive praktische Übung