Dokumen ini menjelaskan cara membuat dan mengoptimalkan set konteks yang membantu mencapai akurasi QueryData yang tinggi untuk aplikasi agen data Spanner Graph Anda. Agen rekayasa konteks membantu Anda membangun, mengevaluasi, dan meningkatkan set konteks Graph Query Language (GQL) dengan mengotomatiskan pembuatan dan pengoptimalannya.
Untuk mempelajari set konteks dan QueryData untuk Spanner Graph, lihat Ringkasan set konteks dan Ringkasan QueryData.
Untuk membangun aplikasi data grafik perusahaan, akurasi terjemahan bahasa alami ke GQL biasanya perlu mencapai kualitas hampir 100%. Pola traversal grafik yang salah atau filter edge yang tidak ada akan memengaruhi kegunaan aplikasi dan pengalaman pengguna. Untuk mendapatkan jawaban yang dapat dijelaskan dan relevan dengan bisnis dengan akurasi tinggi, diperlukan rekayasa konteks, yaitu proses pembuatan dan pengoptimalan set konteks secara iteratif.
Dengan memberikan konteks yang ditargetkan ke skema Spanner Graph dan aplikasi bisnis Anda kepada QueryData, Anda menyediakan aturan penjelajahan grafik dan definisi domain yang tepat yang diperlukan sistem untuk menyelesaikan niat pengguna yang bernuansa.
Contoh dalam dokumen ini menggunakan skema grafik properti FinGraph dan set data sampel (node Person dan Account yang dihubungkan oleh edge Owns dan Transfers). Untuk membuat skema FinGraph dan menyisipkan data sampel, lihat Menyiapkan dan membuat kueri Spanner Graph.
Agen rekayasa konteks
Agen rekayasa konteks mengotomatiskan alur kerja rekayasa konteks: agen ini menghasilkan set data evaluasi, melakukan bootstrap pada set konteks, dan meningkatkannya secara berulang.
Daftar berikut memberikan contoh perintah bahasa alami untuk menginstruksikan agen, beserta deskripsi cara agen merespons:
- Contoh perintah untuk saran konteks: "Baca dokumen aplikasi saya untuk grafik properti
FinGraphdi database Spanner saya dan sarankan item konteks GQL untuk ditambahkan." Agen ini mengurai dokumen aplikasi set data yang Anda berikan, memetakan aturan bisnis ke label node dan edgeFinGraph, serta menyarankan template dan faset GQL. - Contoh perintah untuk analisis kesenjangan saat pertanyaan pengguna tidak memberikan hasil yang diharapkan: "Saat pengguna menanyakan 'transfer dari rekening dana darurat', QueryData memfilter
nick_name = 'rainy day account'dan tidak menampilkan apa pun. Perbarui konteks untuk graf propertiFinGraphdi database Spanner saya agar pertanyaan ini dijawab dengan benar." Agen memeriksa skema, mengidentifikasi bahwa nama panggilan disimpan sebagaiRainy Day Fund, dan merekomendasikan penelusuran nilai padaAccount.nick_name(atau template atau faset jika polanya adalah masalahnya). Contoh perintah untuk pemrosesan massal: "Berikut adalah pertanyaan bahasa alami dan kueri GQL untuk grafik properti
FinGraphdi database Spanner saya. Ubah menjadi template:- Temukan semua orang yang menerima transfer uang dari Dana, beserta jumlahnya:
GRAPH FinGraph MATCH (:Person {name: 'Dana'})-[:Owns]->(:Account)-[transfer:Transfers]->(:Account)<-[:Owns]-(to_person:Person) RETURN to_person.name AS recipient, transfer.amount AS amount - Transfer berisiko tinggi mana yang dilakukan Alex?
GRAPH FinGraph MATCH (:Person {name: 'Alex'})-[:Owns]->(src:Account)-[t:Transfers]->(dst:Account {is_blocked: true}) WHERE t.amount >= 200 RETURN dst.id AS destination_account_id, t.amount AS transfer_amount"
Agen akan memproses input Anda secara massal, mengganti nilai literal dengan placeholder
?, dan memperbarui file set konteks Anda.- Temukan semua orang yang menerima transfer uang dari Dana, beserta jumlahnya:
Pentingnya set data emas
Untuk mengoptimalkan konteks, pertama-tama Anda harus membuat set data emas yang sesuai dengan input bahasa alami aplikasi Anda. Agen dapat membantu Anda membuat set data emas ini, yang terdiri dari pertanyaan pengguna yang dipasangkan dengan kueri GQL yang diharapkan. Set data emas memungkinkan Anda melakukan hal berikut:
- Tetapkan dasar pengukuran untuk performa kueri bahasa alami ke GQL.
- Validasi pembaruan konteks terhadap kueri GQL kebenaran nyata.
- Mengukur peningkatan akurasi di seluruh iterasi pengoptimalan.
Proses hill-climbing yang sistematis
Dalam pendakian bukit yang sistematis, agen secara iteratif meningkatkan set konteks melalui evaluasi set data emas, analisis kesenjangan, dan pembaruan konteks GQL yang ditargetkan untuk mendorong akurasi hingga mendekati 100%:
- Membuat konteks dasar pengukuran secara otomatis: Buat set konteks GQL awal yang berasal dari skema grafik properti Spanner Graph dan artefak aplikasi Anda.
- Alur kerja pengoptimalan hill-climbing: Biarkan agen mengevaluasi akurasi QueryData Anda dengan
graph_idsyang dikonfigurasi, melakukan analisis kesenjangan pada kueri GQL yang gagal, dan otomatis mengusulkan peningkatan untuk meningkatkan akurasi.
Diagram berikut menunjukkan alur kerja hill-climbing sistematis:
Sebelum memulai
Selesaikan prasyarat berikut sebelum menggunakan agen rekayasa konteks:
Mengaktifkan layanan yang diperlukan
Aktifkan layanan berikut untuk project Anda:Menyiapkan instance Spanner
- Pastikan instance Spanner tersedia. Untuk mengetahui informasi selengkapnya, lihat Membuat instance.
- Pastikan Anda membuat database di instance tempat Anda akan membuat tabel. Untuk informasi selengkapnya, lihat Membuat database pada instance Spanner.
Peran dan izin yang diperlukan
- Tambahkan akun pengguna atau layanan IAM ke instance. Untuk mengetahui informasi selengkapnya, lihat Menerapkan peran IAM.
- Berikan peran
roles/spanner.databaseReader,roles/serviceusage.serviceUsageConsumer, danroles/geminidataanalytics.queryDataUserkepada pengguna IAM di level project. Untuk mengetahui informasi selengkapnya, lihat Menambahkan binding kebijakan IAM untuk project. - Untuk membuat, mengupload, dan mengelola set konteks, berikan peran Dataplex Catalog Editor (
roles/dataplex.catalogEditor) atau Dataplex Catalog Admin (roles/dataplex.catalogAdmin) kepada pengguna IAM di level project. Untuk mengetahui informasi selengkapnya, lihat Izin set konteks. - Berikan peran dan izin kepada pengguna IAM di level project untuk database yang diperlukan.
Untuk menyiapkan skema graf properti FinGraph dan menyisipkan contoh data graf yang digunakan dalam panduan ini, ikuti langkah-langkah di bagian Menyiapkan dan mengkueri Spanner Graph.
Menyiapkan lingkungan Anda
Anda dapat membuat file set konteks dari lingkungan pengembangan lokal atau IDE apa pun. Untuk mempersiapkan lingkungan Anda, lakukan langkah-langkah berikut:
- Instal agen rekayasa konteks.
- Siapkan koneksi database ke Spanner Graph.
Menginstal agen rekayasa konteks
Agen rekayasa konteks menjalankan server Model Context Protocol (MCP) yang memerlukan uv untuk mengelola paket Python yang mendasarinya.
- Instal
uvdengan mengikuti petunjuk di Menginstaluv. Pastikan
uvtelah diinstal dan dapat diakses dari command line Anda:uv --version
Untuk menyiapkan lingkungan Anda, instal agen rekayasa konteks di infrastruktur pengelola agen yang Anda pilih, seperti Antigravity CLI, Claude Code, atau Gemini CLI.
Bergantung pada infrastruktur pengelola agen yang Anda pilih, ikuti langkah-langkah penginstalan yang sesuai:
Antigravity CLI
Untuk menginstal agen context engineering di Antigravity CLI, ikuti langkah-langkah berikut:
- Instal Antigravity CLI. Lihat Mulai Menggunakan Antigravity CLI.
- Instal plugin agen rekayasa konteks, yang mencakup alur kerja untuk pembuatan konteks:
agy plugin install https://github.com/GoogleCloudPlatform/db-context-enrichment/tree/main/plugin
- Mulai Antigravity CLI:
agy
- Update plugin:
agy plugin uninstall google-cloud-db-context-engineering agy plugin install https://github.com/GoogleCloudPlatform/db-context-enrichment/tree/main/plugin
Claude Code
Untuk menginstal agen context engineering di Claude Code, ikuti langkah-langkah berikut:
- Tambahkan marketplace plugin:
/plugin marketplace add https://github.com/GoogleCloudPlatform/db-context-enrichment.git
- Instal plugin:
/plugin install db-context-engineering@db-context-enrichment-marketplace
- Muat ulang plugin untuk mengaktifkan perubahan:
/reload-plugins
- Update plugin:
/plugin update db-context-engineering@db-context-enrichment-marketplace
Gemini CLI (Tidak Digunakan Lagi)
Untuk menginstal agen context engineering di Gemini CLI, ikuti langkah-langkah berikut:
- Menginstal Gemini CLI. Lihat Mulai Menggunakan Gemini CLI.
- Instal ekstensi:
gemini extensions install https://github.com/GoogleCloudPlatform/db-context-enrichment
- Update ekstensi:
gemini extensions update mcp-db-context-enrichment
Menyiapkan koneksi database
Agen memerlukan koneksi database untuk mengambil skema grafik properti (spanner-list-graphs), memeriksa tabel yang mendasarinya (spanner-list-tables), dan memvalidasi sintaksis kueri GQL dan SQL yang dihasilkan (spanner-execute-sql). Agar agen dapat berinteraksi dengan grafik properti di database Spanner Anda, konfigurasikan kredensial autentikasi dan tentukan konfigurasi koneksi database Anda.
Mengonfigurasi Kredensial Default Aplikasi
Konfigurasikan Kredensial Default Aplikasi (ADC) guna memberikan kredensial pengguna untuk mengakses resource Google Cloud dari agen rekayasa konteks:
- Server MCP Toolbox: Menggunakan kredensial untuk terhubung ke database Spanner Anda, mengambil skema grafik properti, dan menjalankan kueri GQL untuk validasi.
- Evalbench: Menggunakan kredensial untuk memanggil REST API
QueryDatadengangraph_idsdan untuk menjalankan penilai LLM di Vertex AI selama evaluasi.
Jalankan perintah berikut di terminal Anda untuk melakukan autentikasi:
gcloud auth application-default loginMengonfigurasi file koneksi database
Agen memerlukan koneksi database untuk pembuatan konteks, yang didukung dan ditentukan oleh MCP Toolbox dalam file konfigurasi (autoctx/tools.yaml), bersama dengan pelacak status (autoctx/state.md) yang mencatat nama grafik properti aktif (seperti FinGraph).
- Mulai lingkungan agen Anda.
Minta agen menyiapkan koneksi database untuk database Spanner Anda dan tentukan nama graf properti. Misalnya, masukkan perintah berikut:
Help me set up the database connection for my Spanner database with the FinGraph property graph.Ikuti petunjuk agen untuk memberikan project ID, ID instance Spanner, ID database, dan nama grafik properti (
FinGraph). Agen akan membuatautoctx/tools.yaml(dengan alatspanner-list-graphs,spanner-list-tables, danspanner-execute-sql) sertaautoctx/state.md.Buka
autoctx/state.mddan pastikan bagian## Active Databasemencantumkan grafik properti Anda dalam format berikut:- **Graph Ids**: ["FinGraph"]Alur kerja evaluasi hanya membaca ID grafik properti dari baris ini. Jika baris tidak ada, kosong (
[]), atau tidak dalam format ini, evaluasi akan memanggil QueryData tanpagraph_ids, dan QueryData akan menghasilkan SQL relasional, bukan GQL.Untuk menerapkan konfigurasi
tools.yamlbaru, muat ulang koneksi Anda:- Di Antigravity CLI, jalankan
/mcpdan pilihtoolboxuntuk memulai ulang. - Di Gemini CLI, jalankan
/mcp reload. - Di Claude Code, jalankan
/mcp, pilihtoolbox, lalu pilihReconnect.
- Di Antigravity CLI, jalankan
Untuk mengetahui informasi selengkapnya tentang cara mengonfigurasi file konfigurasi database secara manual, lihat Konfigurasi MCP Toolbox.
Membuat dan mengoptimalkan konteks
Agen context engineering menyediakan serangkaian Agent Skills dan alat MCP untuk menghasilkan set konteks GQL dasar, mengukur efektivitas terhadap set data GQL emas, dan menerapkan peningkatan secara iteratif. Anda dapat memulai di tahap alur kerja mana pun:
- Jika sudah memiliki set konteks, Anda dapat langsung melanjutkan ke evaluasi.
- Jika Anda memiliki kueri GQL yang gagal dan ingin diperbaiki, Anda dapat langsung melanjutkan ke analisis kesenjangan.
Pada tahap apa pun, ingatkan agen bahwa targetnya adalah grafik properti di database Spanner Anda dan beri nama grafik tersebut (seperti FinGraph), sehingga tetap berada dalam alur kerja khusus GQL.
Membangun dan memperluas set data evaluasi
Untuk meningkatkan performa, Anda harus mengukurnya terlebih dahulu. Set data emas adalah kumpulan pertanyaan pengguna yang dipasangkan dengan kueri GQL yang diharapkan. Tanpa set data evaluasi, rekayasa konteks tidak memiliki verifikasi sistematis; dengan set data evaluasi, setiap perubahan konteks adalah peningkatan terukur yang dapat Anda validasi terhadap kebenaran nyata.
Membuat set data emas yang representatif secara manual memerlukan waktu yang lama, dan set data kecil mungkin melewatkan variasi dalam frasa pengguna. Agen menyelesaikan masalah ini dengan:
- Membuat pasangan pertanyaan bahasa alami dan kueri GQL kandidat berdasarkan skema grafik properti Anda.
- Memperluas set data awal menggunakan variasi filter, sinonim, dan pengungkapan ulang jalur multi-hop.
- Menjalankan kueri GQL yang dihasilkan terhadap database Spanner Anda untuk mengonfirmasi bahwa setiap kueri berjalan dengan baik dan menampilkan hasil yang valid.
Berdasarkan kueri FinGraph di Ringkasan kueri Spanner Graph, set data emas (autoctx/golden.json) adalah file JSON yang berisi pasangan pertanyaan bahasa alami dan GQL seperti berikut:
[
{
"id": "fingraph_001",
"database": "example-db",
"nlq": "Find everyone that Dana transferred money to, along with the account IDs and transfer amounts.",
"golden_sql": "GRAPH FinGraph MATCH (from_person:Person {name: 'Dana'})-[:Owns]->(from_account:Account)-[transfer:Transfers]->(to_account:Account)<-[:Owns]-(to_person:Person) RETURN to_person.name AS to_account_owner, to_account.id AS to_account_id, transfer.amount AS amount;"
},
{
"id": "fingraph_002",
"database": "example-db",
"nlq": "Find all money transfers involving a blocked account.",
"golden_sql": "GRAPH FinGraph MATCH (account:Account)-[transfer:Transfers]-(:Account {is_blocked: true}) RETURN transfer.order_number, transfer.amount;"
},
{
"id": "fingraph_003",
"database": "example-db",
"nlq": "Find destination accounts that are 1 to 3 transfers away from account 7, and show the path length.",
"golden_sql": "GRAPH FinGraph MATCH (src:Account {id: 7})-[e:Transfers]->{1, 3}(dst:Account) WHERE src != dst RETURN dst.id AS dst_account_id, ARRAY_LENGTH(e) AS path_length;"
},
{
"id": "fingraph_004",
"database": "example-db",
"nlq": "Find all high-risk transfers initiated by Alex.",
"golden_sql": "GRAPH FinGraph MATCH (p:Person {name: 'Alex'})-[:Owns]->(src:Account)-[t:Transfers]->(dst:Account {is_blocked: true}) WHERE t.amount >= 200 RETURN dst.id AS destination_account_id, t.amount AS transfer_amount ORDER BY t.amount DESC;"
}
]
Pasangan yang disetujui akan mengisi file autoctx/golden.json di ruang kerja Anda, dan siap untuk dievaluasi. Di setiap entri, database harus cocok dengan ID database Spanner Anda (seperti example-db).
Anda dapat menggunakan contoh perintah berikut untuk menginstruksikan agen, dengan menentukan bahwa FinGraph adalah grafik properti di database Spanner Anda:
- "Buat set data evaluasi GQL dari graf properti
FinGraphdi database Spanner saya." - "Berikut adalah pertanyaan awal dan kueri GQL untuk graf properti
FinGraphdi database Spanner saya. Perluas menjadi set data evaluasi GQL yang lebih luas dan verifikasi bahwa kueri berjalan."
Membuat set data konteks dasar pengukuran
Agar tidak perlu membuat konteks dari awal, Anda dapat mengizinkan agen memperoleh set konteks GQL awal (bootstrap_context.json) dari skema grafik properti dan artefak aplikasi, seperti aturan bisnis, contoh kueri GQL, atau dokumen desain. Karena set data Anda adalah grafik properti di database Spanner, agen lebih memilih pola GQL (GRAPH FinGraph MATCH ...) daripada gabungan SQL relasional saat membuat template dan faset.
Anda dapat menggunakan contoh perintah berikut untuk menginstruksikan agen:
- "Buat set konteks GQL dasar pengukuran dari grafik properti
FinGraphdi database Spanner saya." - "Buat konteks GQL awal untuk graf properti
FinGraphdi database Spanner saya menggunakan skema graf properti dan aturan bisnis direquirements.md."
Agen akan meminta Anda memberi nama eksperimen (misalnya, fingraph_tuning), yang mengatur artefak yang dihasilkan di bagian autoctx/experiments/fingraph_tuning/. Setelah agen membuat bootstrap_context.json, ikuti petunjuk di Mengelola set konteks di Spanner Studio untuk mengupload file set konteks.
Mengevaluasi efektivitas konteks
Setelah membuat set konteks dan set data golden, Anda dapat mengizinkan agen mengukur performa konteks dengan mengkueri QueryData API dengan setiap pertanyaan golden. Agen membandingkan GQL yang dihasilkan dan hasil eksekusi dengan jawaban emas yang diharapkan menggunakan Evalbench.
Untuk Spanner Graph, evaluasi memanggil QueryData REST API secara langsung sehingga setiap permintaan dapat menyertakan graph_ids.
Jika autoctx/state.md berisi - **Graph Ids**: ["FinGraph"], agen akan membuat file konfigurasi model Evalbench (autoctx/experiments/fingraph_tuning/eval_configs/model_config.yaml) yang menggunakan REST API dan menyertakan graph_ids di spanner_reference.database_reference, seperti berikut:
generator: query_data_api
project_id: PROJECT_ID
location: global
use_rest_api: true
context:
datasource_references:
spanner_reference:
database_reference:
engine: GOOGLE_SQL
project_id: PROJECT_ID
instance_id: INSTANCE_ID
database_id: DATABASE_ID
graph_ids:
- FinGraph
agent_context_reference:
context_set_id: projects/PROJECT_ID/locations/REGION/contextSets/CONTEXT_SET_ID
Sebelum menjalankan evaluasi, buka model_config.yaml dan pastikan use_rest_api adalah true dan graph_ids mencantumkan grafik properti Anda.
Menjalankan evaluasi akan memberikan hal berikut:
- Metrik kuantitatif, seperti hasil lulus dan gagal serta skor gabungan, untuk melacak progres di seluruh iterasi konteks GQL.
- Ringkasan percakapan inline dan laporan CSV mendetail yang ditulis ke direktori
eval_reports/di folder eksperimen Anda.
Untuk memulai evaluasi, berikan jalur set data emas (autoctx/golden.json) dan ID set konteks. Untuk mempelajari cara menemukan ID set konteks, lihat Menemukan ID set konteks.
Anda dapat menggunakan contoh perintah berikut untuk menginstruksikan agen:
- "Evaluasi konteks saya untuk graf properti FinGraph di database Spanner saya terhadap
autoctx/golden.json. Panggil REST API QueryData dengangraph_idsyang ditetapkan keFinGraph." - "Jalankan ulang evaluasi untuk grafik properti FinGraph di database Spanner saya menggunakan konfigurasi dari eksperimen terakhir saya."
Untuk menjalankan ulang konfigurasi evaluasi yang dibuat sebelumnya langsung dari root ruang kerja Anda, jalankan perintah berikut:
uvx google-evalbench --experiment_config=autoctx/experiments/fingraph_tuning/eval_configs/run_config.yamlUntuk mengetahui detail tentang skema konfigurasi evaluasi dan cara menyesuaikan operasi evaluasi, lihat dokumentasi Evalbench.
Melakukan analisis kesenjangan dan mengusulkan peningkatan
Untuk mengatasi kegagalan kueri GQL, identifikasi penyebab utamanya, seperti berikut:
- Arah tepi terbalik (
-[:Owns]->versus<-[:Owns]-) - Batas jalur terkuantifikasi tidak ada (
->{1, 3}) - Definisi bisnis yang belum dipetakan (seperti
high-risk transfers) - Nilai properti yang belum terselesaikan
Untuk sintaksis kueri, lihat Ringkasan kueri Spanner Graph dan Referensi GQL.
Agen mengotomatiskan loop analisis dan koreksi ini untuk graf properti di database Spanner Anda:
- Analisis kesenjangan: Agen membaca hasil evaluasi dan set konteks Anda untuk mengelompokkan kegagalan GQL yang serupa dan merekomendasikan penambahan yang ditargetkan, seperti template GQL, faset, atau penelusuran nilai
GRAPH_TABLEpada properti node dan edge. - Perbaikan yang diusulkan: Agen mengusulkan pengeditan konteks GQL konkret dan menguji GQL yang dihasilkan terhadap database Spanner Anda menggunakan
spanner-execute-sqluntuk memverifikasi resolusi. - Pelestarian dasar pengukuran: Agen menulis peningkatan ke file JSON baru (
improved_context_v1.json) bersama dengan konteks dasar pengukuran Anda, sehingga file asli tetap dipertahankan.
Anda dapat menggunakan contoh perintah berikut untuk menginstruksikan agen, dengan menentukan bahwa set data adalah grafik properti di database Spanner Anda untuk memicu alur kerja rekayasa konteks khusus GQL:
- "Jalankan analisis kesenjangan pada evaluasi terakhir saya untuk graf properti FinGraph di database Spanner saya dan usulkan perbaikan konteks GQL."
- "Optimalkan set konteks ini untuk grafik properti FinGraph di database Spanner saya terhadap
autoctx/golden.json."
Untuk mempersiapkan iterasi berikutnya, upload file set konteks yang telah ditingkatkan (improved_context_v1.json) ke set konteks target Anda di Spanner Studio dengan mengikuti petunjuk di Mengedit set konteks.
Membuat item konteks tertentu sesuai permintaan
Jika Anda sudah mengetahui item konteks yang diperlukan (seperti template GQL untuk traversal grafik tertentu, faset untuk filter edge berulang, atau penelusuran nilai GRAPH_TABLE pada properti node atau edge), agen dapat membuat objek JSON yang diparameterisasi dengan benar sesuai permintaan tanpa menjalankan evaluasi penuh.
Anda dapat menggunakan contoh perintah berikut untuk menginstruksikan agen untuk graf properti di database Spanner Anda:
- "Untuk grafik properti FinGraph di database Spanner saya, buat template untuk: 'Temukan semua transfer berisiko tinggi yang dimulai oleh Alex' dengan kueri GQL:
GRAPH FinGraph MATCH (p:Person {name: 'Alex'})-[:Owns]->(src:Account)-[t:Transfers]->(dst:Account {is_blocked: true}) WHERE t.amount >= 200 RETURN dst.id AS destination_account_id, t.amount AS transfer_amount ORDER BY t.amount DESC;." - "Untuk graf properti FinGraph di database Spanner saya, buat faset untuk klausa GQL
MATCH (account:Account)-[transfer:Transfers]-(:Account {is_blocked: true})yang diberi label 'transfer yang melibatkan akun yang diblokir'." - "Untuk grafik properti FinGraph di database Spanner saya, buat penelusuran nilai
GRAPH_TABLEpada propertinick_namedari nodeAccountdengan jenis konsep 'Nama panggilan akun' yang cocok dengan nama panggilan tanpa peka huruf besar/kecil."
Alasan pemilihan jenis konteks
Memilih jenis konteks yang sesuai (template GQL, faset, atau penelusuran nilai) membantu mencegah pembengkakan konteks dan regresi kueri. Anda dapat meminta agen untuk merekomendasikan jenis konteks yang tepat berdasarkan pola kueri Anda:
- "Di graf properti FinGraph dalam database Spanner, saya terus memfilter transfer yang melibatkan akun yang diblokir dengan
MATCH (account:Account)-[transfer:Transfers]-(:Account {is_blocked: true})di banyak kueri GQL. Bagaimana cara terbaik untuk menangkapnya?" - "Pengguna merujuk ke akun di grafik properti FinGraph di database Spanner saya dengan nama panggilan seperti 'Vacation Fund' atau 'Rainy Day Fund'. Jenis penelusuran nilai
GRAPH_TABLEapa yang harus saya siapkan diAccount.nick_name?" - "Apa perbedaan antara template GQL dan faset dalam set konteks untuk Spanner Graph, dan kapan saya harus menggunakan masing-masing?"
Menerapkan operasi massal di seluruh kumpulan konteks
Agen ini mendukung update massal untuk mengelola set konteks GQL yang besar secara konsisten, seperti saat label grafik properti diupdate atau nilai minimum bisnis berubah di beberapa template dan faset:
- "Baca
golden.jsonuntuk grafik properti FinGraph di database Spanner saya dan ubah semua pasangan pertanyaan-GQL menjadi template." - "Di
context_set.jsonuntuk grafik properti FinGraph di database Spanner saya, gantit.amount >= 200dengant.amount >= 300untuk item GQL apa pun yang merujuk ke 'transfer berisiko tinggi'. Biarkan item yang tidak terkait."
Langkah berikutnya
- Pelajari lebih lanjut set konteks.
- Pelajari cara membuat atau menghapus set konteks di Spanner Studio.
- Pelajari cara menguji QueryData untuk Spanner Graph.
- Ikuti tutorial menyeluruh untuk mengintegrasikan QueryData dengan aplikasi.