Présentation de QueryData

QueryData vous permet d'interagir avec les données du graphe de propriétés de votre base de données Spanner en langage naturel et de créer des agents de données. QueryData génère des requêtes GQL (Graph Query Language) à partir de questions en langage naturel basées sur le schéma de vos graphiques de propriétés. Pour améliorer la précision de vos cas d'utilisation, vous pouvez également fournir des ensembles de contexte, c'est-à-dire une collection de modèles de requêtes, de facettes de requêtes et de recherches de valeurs qui capturent votre logique métier spécifique à un domaine et les questions que vos utilisateurs posent. Pour en savoir plus sur les ensembles de contextes, consultez Présentation des ensembles de contextes.

Quand utiliser QueryData

QueryData pour Spanner Graph est idéal pour les applications telles que :

  • Assistants conversationnels sur les données de graphe : un assistant d'assistance ou d'analyse répond à la question "L'argent envoyé depuis le compte 7 est-il revenu sur ce compte dans les 60 jours ?" en demandant à QueryData de générer et d'exécuter la requête GQL multisaut.
  • Copilotes d'investigation pour la fraude, les risques et la conformité : les analystes explorent les réseaux de propriété et de transfert à l'aide de questions complémentaires, tandis qu'un ensemble de contexte garantit la cohérence de termes tels que transfert à haut risque dans chaque réponse.
  • Agents de raisonnement Knowledge Graph : les agents créés avec ADK ou un client MCP appellent QueryData en tant qu'outil pour ancrer leur raisonnement dans les relations stockées dans votre graphe, par exemple les comptes qu'une personne contrôle par le biais d'intermédiaires.

Concepts fondamentaux

Pour traduire de manière fiable des questions conversationnelles en requêtes GQL, QueryData s'appuie sur les concepts clés suivants :

QueryData et l'API Conversational Analytics

Le point de terminaison QueryData de l'API Conversational Analytics est un outil d'agent qui permet de générer des requêtes en langage naturel vers GQL (NL2GQL) de manière programmatique pour les graphes de propriétés de votre base de données Spanner. Dans une application conversationnelle ou un workflow multi-agent, le point de terminaison QueryData gère l'interprétation du schéma et la synthèse des requêtes pour les graphiques de propriétés que vous listez dans le champ graph_ids de chaque requête. Votre harnais d'agent (comme Antigravity, Agent Development Kit (ADK) ou LangChain) gère l'historique des conversations, l'état de l'utilisateur et l'orchestration des outils pour contextualiser l'entrée de l'utilisateur avant d'envoyer une requête en langage naturel au point de terminaison QueryData.

Ensembles de contexte

Un ensemble de contexte est une collection de connaissances spécifiques à la base de données, de schémas de requête sélectionnés et de règles métier associées à votre base de données. Au lieu de s'appuyer uniquement sur les connaissances générales du LLM ou sur le schéma de graphe de propriétés brut, QueryData utilise des ensembles de contexte pour comprendre les nuances de votre modèle de graphe et la terminologie spécifique à votre organisation, par exemple ce que votre entreprise considère comme un transfert à haut risque dans un graphe financier bancaire. Les exemples de ce guide utilisent le schéma de graphe de propriétés FinGraph et l'exemple d'ensemble de données. Pour créer le schéma FinGraph et insérer les exemples de données, consultez Configurer et interroger Spanner Graph.

Un ensemble de contextes contient trois éléments de base :

  • Modèles de requêtes : paires de questions représentatives en langage naturel et de requêtes GQL prévalidées correspondantes. Les modèles fournissent des exemples canoniques qui définissent la manière dont des intentions métier spécifiques sont mappées à des instructions GQL (par exemple, comment "Quels comptes ont reçu des virements du compte de Dana ?" est mappé à une requête GRAPH FinGraph MATCH qui traverse les arêtes Owns et Transfers).
  • Facettes de requête : clauses GQL réutilisables (telles que des modèles de graphe, des conditions de filtre, des plages de dates, des seuils de montant ou des conditions d'entreprise telles que des comptes bloqués). Les facettes permettent à QueryData de combiner de manière dynamique plusieurs critères de filtrage dans une requête sans avoir besoin de modèles distincts pour chaque combinaison.
  • Recherches de valeurs : requêtes sémantiques et de correspondance de chaînes, écrites sous forme d'instructions SELECT sur GRAPH_TABLE, qui associent les expressions de valeur de la question d'un utilisateur aux valeurs exactes stockées dans les propriétés des nœuds et des arêtes. Les recherches de valeurs permettent de résoudre les ambiguïtés (par exemple, en mappant "jour de pluie" au pseudo de compte Rainy Day Fund ou "République tchèque" à la valeur stockée Czech_Republic) à l'aide de correspondances exactes, de similarités de chaînes ou d'embeddings vectoriels sémantiques.

Fonctionnement de QueryData

Lorsque votre agent ou votre application envoie une requête en langage naturel (par exemple, une question d'un utilisateur que l'agent a contextualisée avec l'historique de la conversation ou l'état de l'utilisateur), QueryData effectue les étapes suivantes :

  1. Résolution des valeurs : QueryData exécute des requêtes de recherche de valeurs sur votre base de données Spanner pour mapper les expressions de valeur de la requête (comme le nom d'une personne, le pseudo d'un compte ou un pays) à des valeurs de propriété de nœud et d'arête spécifiques.
  2. Correspondance d'intentions et désambiguïsation : QueryData met en correspondance la requête contextualisée avec les modèles de requête et les facettes sélectionnés que vous avez définis dans l'ensemble de contexte. Si la requête est insuffisamment spécifiée ou ambiguë, QueryData peut renvoyer une question de désambiguïsation afin que votre agent ou votre application puisse demander des clarifications à l'utilisateur.
  3. Synthèse de la requête : à l'aide du schéma des graphiques de propriétés listés dans graph_ids, de la structure du modèle mis en correspondance, des facettes appliquées et des valeurs résolues, QueryData synthétise une requête GQL complète.
  4. Exécution de la requête : la requête GQL générée est exécutée sur votre base de données Spanner pour renvoyer des résultats.

Créer et gérer des ensembles de contextes

Pour créer et gérer des ensembles de contextes, procédez comme suit :

  1. Contexte de l'auteur : définissez les modèles de requête, les facettes et les recherches de valeurs pour votre graphique de propriétés. Pour en savoir plus, consultez Présentation des ensembles de contextes. Vous pouvez également utiliser l'agent d'ingénierie contextuelle pour automatiser la création de contextes.
  2. Gérer dans la console Google Cloud  : créez et gérez des ensembles de contexte dans Spanner Studio pour les rendre disponibles pour la génération de requêtes.
  3. Intégrer à vos applications : connectez vos applications ou agents IA à QueryData à l'aide d'appels d'API REST directs, avec les graphiques de propriétés cibles listés dans graph_ids.

Étapes suivantes