Autonomous AI Database Select AI

该图显示了 Autonomous AI Database Select AI 的工作原理。该图概述了如何通过界面（例如集成开发环境或应用），使用自然语言以文字或语音形式提出问题，以此与数据进行对话。

然后，Autonomous AI Database Select AI 会使用大语言模型 (LLM)，生成 SQL 查询并执行以下任务：

• 1) 使用用户概要信息中识别的模式的元数据，增强自然语言问题。
• 2) 向 LLM 提供增强提示。
• 3) LLM 针对数据库生成一个 SQL 查询。
• 4) 运行查询，将结果发送给用户。
• 5) 保留以前提问过的问题，打造类似于对话的用户交互体验。

最后，用户会收到基于企业数据且符合现有数据安全策略的答案。

该图显示了 Autonomous AI Database Select AI 的工作原理。该图显示了如何通过向 Select AI 提示提出问题，生成个性化内容。

用户通过应用启动工作流。例如，用户希望根据客户以前的购物记录，创建促销优惠。

该应用可利用 Autonomous AI Database 中的数据，并通过大语言模型 (LLM)，创建有针对性的个性化促销优惠。其中的步骤包括：

• 1) 查询 Autonomous AI Database 的背景信息（例如客户人口统计信息和购买行为、需要推销的产品等）。
• 2) 提示任务说明与这些数据相结合（例如推荐促销产品列表中的类似产品；撰写个性化和有吸引力的电子邮件，包含推荐产品）
• 3) 然后，它会向 LLM 提供增强提示，并处理结果。

最终输出结果将反馈给用户，其中包括有吸引力的促销电子邮件，以及基于客户信息、行为和过去购买记录的个性化产品推荐。

该图显示了 Autonomous AI Database Select AI 的工作原理。该图概述了如何基于对象存储上的文本文件（如 txt 和 html）自动创建和填充向量存储。

Select AI 会自动将文档进行分块，生成嵌入向量，并将其存储到指定的向量存储中，然后在新数据到达时更新向量索引：

• 1) 输入：数据最初存储在对象存储中。
• 2) Autonomous AI Database 会检索输入数据或文档，对其进行分块并传递到嵌入模型。
• 3) 嵌入模型处理数据块并返回向量嵌入。
• 4) 输出：向量嵌入作为向量数据类型存储在 Autonomous AI Database 中，可用于 RAG 场景。在添加内容时，将自动更新向量索引。

该图显示了 Autonomous AI Database Select AI 的工作原理。该图概述了 Select AI 如何实现检索增强生成 (RAG)。

RAG 从企业数据库中检索相关信息，以回答用户的问题。此信息随用户提示一起提供给指定的大语言模型。Select AI 会使用这些附加的企业信息来增强提示词，从而改进 LLM 的响应。RAG 可以通过向量存储中新的企业信息来提高响应质量：

• 1) 输入：用户提出问题。
• 2) Autonomous AI Database Select AI 使用 AI 配置文件中指定的嵌入模型，针对提示词生成向量嵌入。
• 3) Autonomous AI Database Select AI 使用生成的嵌入和 AI Vector Search 从客户的企业数据中查找类似内容。
• 4) 向量搜索返回前 K 个结果，这些结果将用于增强提示。
• 5) Autonomous AI Database 会将与用户问题相关的前 K 个查询结果一并发送给 LLM。
• 6) LLM 返回其对 Autonomous AI Database 实例的响应。
• 7) 输出：Autonomous AI Database Select AI 向用户提供响应