Навчіться створювати агентів text-to-query, щоб ви могли спілкуватися зі своїми даними!

Агенти для перетворення тексту на запити

Підготуйтеся до практичних вправ

Робочий процес text-to-query

Написання запитів у MongoDB

Складніші агрегації

Практика: як працює text-to-query

Агенти Text-to-Query: застосування та архітектура

Зробіть свій робочий процес text-to-query агентно-керованим! Створення та оркестрація AI-агентів за допомогою LangGraph дасть змогу будувати розумні й динамічні процеси text-to-query.

Архітектура агента для перетворення тексту на запит

Створення набору інструментів агента

Створення підказки для перетворення тексту на запит

Оркестрація агента text-to-query

Автоматизація робочих процесів Text-to-Query за допомогою агентів

Інтегруйте короткочасну пам'ять у свій агент text-to-query, щоб не потрібно було повторно виконувати запити для поєднання інсайтів.

Памʼять і контрольні точки в LangGraph

Додавання пам'яті до агента

Вітаємо!

Хотіли коли-небудь поспілкуватися зі своєю базою даних? Завдяки LLM і AI-агентам це вже можливо. У цьому курсі ви навчитеся взаємодіяти та спілкуватися з екземпляром бази даних MongoDB, використовуючи LangGraph для оркестрації агентів. Ви дізнаєтеся про виклики та цінність робочих процесів text-to-query, збудуєте власний, щоб відповідати на запитання щодо даних у наборі про фільми, а також реалізуєте контрольні точки пам'яті, щоб продовжувати розмови з того місця, де ви зупинилися!

Introduction to Functions in Python

Дізнайтеся, як спілкуватися з даними за допомогою AI-агентів текст-запит з MongoDB та LangGraph.

Агенти Text-to-Query з MongoDB та LangGraph

Дізнайтеся, як говорити з вашими даними за допомогою AI-агентів text-to-query із MongoDB та LangGraph.

Створення набору інструментів агента

Агенти Text-to-Query з MongoDB та LangGraph

Інструкції до вправи

Практична інтерактивна вправа