Apprenez à créer des agents de text-to-query pour pouvoir converser avec vos données !

Agents texte-vers-requête

Préparez-vous pour les exercices pratiques

Le workflow text-to-query

Écrire des requêtes MongoDB

Des agrégations plus complexes

Un workflow text-to-query en pratique

Agents de text-to-query : applications et architecture

Rendez votre workflow text-to-query agentique ! En créant et en orchestrant des agents d’IA avec LangGraph, vous pourrez concevoir des workflows text-to-query intelligents et dynamiques.

L’architecture d’un agent text-to-query

Constituer la boîte à outils de l’agent

Créer l’invite text-to-query

Orchestrer l’agent text-to-query

Automatiser les workflows text-to-query avec des agents

Intégrez une mémoire à court terme dans votre agent de text-to-query afin d’éviter de relancer des requêtes pour combiner les insights.

Mémoire et checkpointing dans LangGraph

Ajouter de la mémoire à l’agent

Félicitations !

Vous avez déjà rêvé de pouvoir discuter avec votre base de données ? C’est désormais possible grâce aux LLM et aux agents d’IA. Dans ce cours, vous apprendrez à interagir et à dialoguer avec une instance MongoDB, en utilisant LangGraph pour l’orchestration des agents. Vous verrez les défis et les avantages des workflows text-to-query, vous en construirez un pour répondre à des questions liées aux données d’un jeu de données de films, et vous mettrez même en place un mécanisme de checkpointing de mémoire pour reprendre vos conversations là où vous les aviez laissées !

Introduction to Functions in Python

Découvrez comment interroger vos données avec des agents IA de texte-à-requête via MongoDB et LangGraph.

Agents de text-to-query avec MongoDB et LangGraph

Découvrez comment interagir avec vos données à l'aide d'agents IA de conversion de texte en requête avec MongoDB et LangGraph.

Constituer la boîte à outils de l’agent

Instructions de l’exercice

Exercice interactif pratique