QueryData – Übersicht

Mit QueryData können Sie in natürlicher Sprache mit den Property-Graph-Daten in Ihrer Spanner-Datenbank interagieren und Daten-Agenten erstellen. QueryData generiert Graph Query Language (GQL)-Abfragen aus Fragen in natürlicher Sprache basierend auf dem Schema Ihrer Eigenschaftsgraphen. Um die Genauigkeit für Ihre Anwendungsfälle zu verbessern, können Sie auch Kontextsets bereitstellen. Das sind Sammlungen von Abfragevorlagen, Abfragefacetten und Wertesuchen, die Ihre domänenspezifische Geschäftslogik und die Fragen Ihrer Nutzer erfassen. Weitere Informationen zu Kontextgruppen finden Sie unter Kontextgruppen – Übersicht.

Wann sollte QueryData verwendet werden?

QueryData für Spanner Graph ist ideal für Anwendungen wie die folgenden:

  • Konversationsassistenten für Graphdaten: Ein Support- oder Analytics-Assistent beantwortet die Frage „Wurde Geld, das von Konto 7 gesendet wurde, innerhalb von 60 Tagen zurücküberwiesen?“, indem QueryData die GQL-Abfrage mit mehreren Hops generiert und ausführt.
  • Copiloten für die Untersuchung von Betrug, Risiken und Compliance: Analysten untersuchen Eigentums- und Übertragungsnetzwerke durch Folgefragen, während ein Kontextset Begriffe wie Übertragung mit hohem Risiko in allen Antworten konsistent hält.
  • KI-Agenten für die Argumentation mit Knowledge Graphs: Mit dem ADK oder einem MCP-Client erstellte KI-Agenten rufen QueryData als Tool auf, um ihre Argumentation auf den in Ihrem Graphen gespeicherten Beziehungen zu fundieren, z. B. welche Konten eine Person über Vermittler kontrolliert.

Wichtige Konzepte

Damit Fragen in natürlicher Sprache zuverlässig in GQL-Abfragen übersetzt werden können, nutzt QueryData die folgenden Schlüsselkonzepte:

QueryData und die konversationelle Analyse API

Der Endpunkt QueryData in der Conversational Analytics API ist ein agentisches Tool, mit dem Sie programmatisch GQL-Abfragen (NL2GQL) in natürlicher Sprache für die Property-Graphen in Ihrer Spanner-Datenbank generieren können. In einer konversationellen Anwendung oder einem Multi-Agenten-Workflow übernimmt der QueryData-Endpunkt die Schemainterpretation und Abfragesynthese für die Eigenschaftsgraphen, die Sie im Feld graph_ids jeder Anfrage auflisten. Ihr Agenten-Framework (z. B. Antigravity, Agent Development Kit (ADK) oder LangChain) verwaltet den Unterhaltungsverlauf, den Nutzerstatus und die Tool-Orchestrierung, um die Eingabe des Nutzers zu kontextualisieren, bevor eine Anfrage in natürlicher Sprache an den QueryData-Endpunkt gesendet wird.

Kontextsets

Ein Kontextsatz ist eine Sammlung von datenbankspezifischem Wissen, kuratierten Abfragemustern und Geschäftsregeln, die mit Ihrer Datenbank verknüpft sind. Anstatt sich ausschließlich auf allgemeines LLM-Wissen oder das rohe Attributdiagrammschema zu verlassen, verwendet QueryData Kontextsets, um die Nuancen Ihres Diagrammmodells und die organisationsspezifische Terminologie zu verstehen, z. B. was Ihr Unternehmen in einem Bankfinanzdiagramm als Übertragung mit hohem Risiko betrachtet. In den Beispielen in diesem Leitfaden werden das Property-Graph-Schema FinGraph und das Beispiel-Dataset verwendet. Informationen zum Erstellen des Schemas FinGraph und zum Einfügen der Beispieldaten finden Sie unter Cloud Spanner Graph einrichten und abfragen.

Ein Kontextset enthält drei Hauptbausteine:

  • Abfragevorlagen: Ausgewählte Paare aus repräsentativen Fragen in natürlicher Sprache und den entsprechenden, vorab validierten GQL-Abfragen. Vorlagen enthalten kanonische Beispiele, die definieren, wie bestimmte Geschäftsabsichten GQL-Anweisungen zugeordnet werden. Beispielsweise wird „Welche Konten haben Überweisungen vom Konto von Dana erhalten?“ einer GRAPH FinGraph MATCH-Abfrage zugeordnet, die Owns- und Transfers-Kanten durchläuft.
  • Abfragefacetten: Wiederverwendbare GQL-Klauseln (z. B. Diagrammmuster, Filterbedingungen, Zeiträume, Betragsschwellenwerte oder Geschäftsbedingungen wie gesperrte Konten). Mit Facetten kann QueryData mehrere Filterkriterien dynamisch in einer Abfrage kombinieren, ohne dass für jede Kombination separate Vorlagen erforderlich sind.
  • Wertsuche: Semantische und String-Abfragen, die als SELECT-Anweisungen über GRAPH_TABLE geschrieben werden und Wertphrasen in der Frage eines Nutzers mit den genauen Werten verknüpfen, die in Knoten- und Kanteneigenschaften gespeichert sind. Mithilfe von Wertesuchen können Unklarheiten beseitigt werden (z. B. die Zuordnung von „Regentag“ zum Konto-Alias Rainy Day Fund oder von „Tschechien“ zum gespeicherten Wert Czech_Republic). Dazu werden genaue Übereinstimmungen, Stringähnlichkeiten oder semantische Vektoreinbettungen verwendet.

Funktionsweise von QueryData

Wenn Ihr Agent oder Ihre Anwendung eine Anfrage in natürlicher Sprache sendet (z. B. eine Nutzerfrage, die der Agent mit dem Unterhaltungsverlauf oder dem Nutzerstatus kontextualisiert hat), führt QueryData die folgenden Schritte aus:

  1. Wertauflösung: QueryData führt Suchanfragen nach Werten in Ihrer Spanner-Datenbank aus, um Wertphrasen im Prompt (z. B. den Namen einer Person, den Alias eines Kontos oder ein Land) bestimmten Knoten- und Kanteneigenschaftswerten zuzuordnen.
  2. Intent-Abgleich und Mehrdeutigkeitsauflösung: QueryData gleicht die kontextualisierte Anfrage mit den kuratierten Abfragevorlagen und Facetten ab, die Sie im Kontextset definiert haben. Wenn die Anfrage unzureichend spezifiziert oder mehrdeutig ist, kann QueryData eine Frage zur Mehrdeutigkeitsauflösung zurückgeben, damit Ihr KI-Agent oder Ihre Anwendung den Nutzer um Klärung bitten kann.
  3. Abfragesynthese: QueryData erstellt eine vollständige GQL-Abfrage anhand des Schemas der in graph_ids aufgeführten Eigenschaftsgraphen, der übereinstimmenden Vorlagenstruktur, der angewendeten Facetten und der aufgelösten Werte.
  4. Abfrageausführung: Die generierte GQL-Abfrage wird für Ihre Spanner-Datenbank ausgeführt, um Ergebnisse zurückzugeben.

Kontextsets erstellen und verwalten

So erstellen und verwalten Sie Kontextgruppen:

  1. Author context (Kontext erstellen): Definieren Sie die Abfragevorlagen, Facetten und Wertesuchen für Ihren Eigenschaftsgraphen. Weitere Informationen finden Sie unter Kontextsätze – Übersicht. Sie können auch den Kontext-Engineering-Agenten verwenden, um die Kontexterstellung zu automatisieren.
  2. In der Google Cloud -Console verwalten: Erstellen und verwalten Sie Kontextgruppen in Spanner Studio, um sie für die Abfragegenerierung verfügbar zu machen.
  3. In Ihre Anwendungen einbinden: Verbinden Sie Ihre Anwendungen oder KI-Agenten über direkte REST API-Aufrufe mit QueryData. Die Ziel-Property-Graphen sind in graph_ids aufgeführt.

Nächste Schritte