Naucz się budować agenty text-to-query i prowadź rozmowy ze swoimi danymi!

Agenty text-to-query

Przygotowanie do ćwiczeń praktycznych

Przepływ pracy text-to-query

Pisanie zapytań w MongoDB

Bardziej złożone agregacje

Przepływ text-to-query w praktyce

Agenty text-to-query: zastosowania i architektura

Nadaj swojemu przepływowi pracy text-to-query charakter agentowy! Budowanie i orkiestracja agentów AI z LangGraph pozwoli ci tworzyć inteligentne i dynamiczne przepływy pracy typu text-to-query.

Architektura agenta text-to-query

Budowanie zestawu narzędzi agenta

Tworzenie promptu do zamiany tekstu na zapytanie

Orkiestracja agenta text-to-query

Automatyzacja przepływów pracy text-to-query za pomocą agentów

Zintegruj pamięć krótkotrwałą ze swoim agentem text-to-query, aby nie musiał ponownie wykonywać zapytań w celu łączenia wniosków.

Pamięć i punkty kontrolne w LangGraph

Dodawanie pamięci do agenta

Gratulacje!

Czy zdarzyło ci się pomyśleć, że chciałbyś rozmawiać ze swoją bazą danych? Dzięki dużym modelom językowym i agentom AI jest to już możliwe. W tym kursie nauczysz się, jak komunikować się z instancją bazy danych MongoDB przy użyciu LangGraph do orkiestracji agentów. Poznasz wyzwania i zalety przepływów pracy typu text-to-query, zbudujesz własny agent do odpowiadania na pytania dotyczące danych ze zbioru filmów, a nawet wdrożysz mechanizm zapamiętywania konwersacji, aby móc wracać do rozmów w miejscu, w którym je przerwałeś!

Introduction to Functions in Python

Odkryj, jak rozmawiać z danymi za pomocą AI tekst-do-zapytania z MongoDB i LangGraph.

Agenty text-to-query z MongoDB i LangGraph

Dowiedz się, jak rozmawiać ze swoimi danymi za pomocą agentów AI text-to-query z MongoDB i LangGraph.

Dodawanie pamięci do agenta

Agenty text-to-query z MongoDB i LangGraph

Instrukcje do ćwiczenia

Interaktywne ćwiczenie praktyczne