Научитесь создавать агентов text-to-query и общаться со своими данными в формате диалога!

Агенты преобразования текста в запросы

Подготовка к практическим упражнениям

Процесс преобразования текста в запрос

Написание запросов MongoDB

Сложные агрегации

Рабочий процесс text-to-query на практике

Агенты Text-to-Query: применение и архитектура

Сделайте свой рабочий процесс text-to-query агентным! Построение и оркестрация ИИ-агентов с помощью LangGraph позволит вам создавать гибкие и интеллектуальные рабочие процессы text-to-query.

Архитектура агента для преобразования текста в запросы

Формируем набор инструментов агента

Создание подсказки для агента text-to-query

Оркестрация агента text-to-query

Автоматизация рабочих процессов Text-to-Query с помощью агентов

Интегрируйте кратковременную память в свой агент text-to-query, чтобы ему не приходилось повторно выполнять запросы для объединения результатов.

Память и контрольные точки в LangGraph

Добавление памяти в агент

Поздравляем!

Добавление памяти агенту

Хотели бы вы общаться со своей базой данных в формате диалога? С появлением больших языковых моделей и ИИ-агентов это стало реальностью. В этом курсе вы научитесь взаимодействовать с экземпляром базы данных MongoDB, используя LangGraph для оркестрации агентов. Вы познакомитесь с задачами и преимуществами рабочих процессов text-to-query, создадите собственный агент для ответов на вопросы о наборе данных с фильмами и реализуете контрольные точки памяти, чтобы продолжать разговор с того места, где остановились.

Introduction to Functions in Python

Узнайте, как общаться с данными с помощью AI агентов текст-запросов в MongoDB и LangGraph.

Агенты Text-to-Query с MongoDB и LangGraph

Узнайте, как общаться с данными с помощью AI-агентов text-to-query с MongoDB и LangGraph.

Написание запросов MongoDB

Агенты Text-to-Query с MongoDB и LangGraph

Инструкции к упражнению

Практическое интерактивное упражнение