Best Practices zur Verbesserung der Datenagenten-Abfragegenerierung

Ein Data Agent generiert bessere Abfragen, wenn er einen fokussierten, genauen Kontext zu den Daten hat, die er nutzen kann. Objektnamen und Schema-Metadaten bieten einen Ausgangspunkt, erklären aber möglicherweise nicht die geschäftliche Bedeutung, Erwartungswerte, Beziehungen oder die erforderliche Abfragelogik zur Beantwortung einer Frage.

Verwenden Sie die Konfiguration, die am besten zum Kontext passt, den Sie bereitstellen müssen:

Für einen Überblick über diese Einstellungen siehe Data Agent Konfigurationen.

Verwenden Sie klare Schema-Namen

Verwenden Sie beschreibende Namen für Datenquellen, Tabellen und Spalten, wenn Sie das Schema steuern. Namen wie CustomerOrders, , und product_unit_price geben dem Agenten nützlichere Signale als Namen wie Table1, date1, und valueorder_submission_date.

Verlasse dich nicht nur auf die Bezeichnung. Selbst ein klarer technischer Name vermittelt möglicherweise nicht die geschäftliche Bedeutung, den Detailgrad, die Einheiten oder gültigen Werte des Objekts. Verwenden Sie Beschreibungen und Datenquellenanweisungen, um diesen Kontext zu liefern.

Begrenze das ausgewählte Schema

Wählen Sie nur die Tabellen, Spalten, Ansichten und Funktionen aus, die für die Fragen benötigt werden, die der Data Agent beantworten soll. Irrelevante Objekte erhöhen die Mehrdeutigkeit und geben dem Abfragegenerierungstool mehr mögliche Pfade zur Berücksichtigung.

Wenn Nutzer zum Beispiel nach aktuellen Kundenaufträgen fragen, sollten Sie keine archivierten Staging Tables oder nicht verwandte Finanztabellen hinzufügen. Wenn zwei ausgewählte Objekte ähnliche Daten enthalten, erklären Sie, welches maßgeblich ist und wann Sie jedes verwenden sollten.

Schema-Objekte beschreiben (Vorschau)

Für große oder mehrdeutige SQL-Schemata verwenden Sie Schema-Objektbeschreibungen , um zu erklären, was einzelne Tabellen, Spalten und andere Schemaelemente repräsentieren. Schema-Objektbeschreibungen sind nur verfügbar, wenn der Datenagent die Vorschaulaufzeit verwendet.

Beschreibungen sind nützlich, wenn:

• Objektnamen werden abgekürzt, generisch oder ähnlich zueinander verwendet.
• Das Korn oder der geschäftliche Zweck eines Tisches ist aus seinem Namen nicht ersichtlich.
• Eine Spalte enthält Codes, Flags, Einheiten oder Kategorienwerte, die interpretiert werden müssen.
• Eine Datumsspalte stellt ein spezifisches Geschäftsereignis dar, wie zum Beispiel die Auftragsabgabe und nicht die Abwicklung.
• Das Schema ist zu umfangreich, um jedes Objekt klar in Datenquellenanweisungen zu erklären.

Beschreibe sowohl Bedeutung als auch Erwartungswerte, wenn diese Informationen die Abfragegenerierung beeinflussen. Beispiel:

Priorisieren Sie Beschreibungen für Objekte, die schwer zu erschließen sind. Vermeiden Sie es, einen offensichtlichen Namen zu wiederholen, ohne geschäftlichen Kontext hinzuzufügen.

Verwenden Sie Datenquellenanweisungen für Regeln über Objekte hinweg

Die Anleitungen zur Datenquelle bieten Hinweise zur Abfragegenerierung für eine bestimmte Datenquelle. Verwenden Sie sie als Kontext, der mehrere Schema-Objekte umfasst oder definiert, wie eine Abfrage aufgebaut werden soll, einschließlich:

• Autoritative Tabellen für ein Fach.
• Verknüpfungsschlüssel und erforderliche Verknüpfungspfade.
• Granularität von Tabellen und Deduplizierungsregeln.
• Standardfilter, wie zum Beispiel nur aktuelle oder aktive Datensätze zu verwenden.
• Datumslogik, Haushaltskalender und Zeitzonenannahmen.
• Erforderliche Berechnungen oder Ausgabespalten.

Schreiben Sie direkte Anweisungen, die angeben, was der Agent tun soll. Verwenden Sie zum Beispiel „Join EmployeeStatusFact mit EmployeeDim über EmployeeID“ anstelle von „Vermeiden Sie, Mitarbeitertabellen falsch zu verknüpfen.“

Halten Sie die Anweisungen prägnant. Fügen Sie objektspezifische Definitionen in Schema-Objektbeschreibungen ein, anstatt für jede Tabelle und Spalte nur begrenzten Instruktionsraum als Glossar zu verwenden.

Definieren Sie Geschäftsbegriffe und Erwartungswerte

Definieren Sie Begriffe, die Nutzer in ihre Fragen aufnehmen könnten, die aber nicht direkt zum Schema passen. Beispiele sind Akronyme wie "MAU", organisationsspezifische Bedeutungen von "aktiver Kunde" und Unterscheidungen wie Geschäftsjahr versus Kalenderjahr.

Dokumentiere außerdem Werte, die der Agent benötigt, um Filter korrekt zu erstellen:

• Ob eine Statusspalte "CA" oder "California" verwendet.
• Ob ein Boolescher Wert als 1 und 0, Y und N, oder Text gespeichert wird.
• Ob die Währungswerte in Dollar oder Cent gespeichert werden.
• Welche Statuswerte stehen für abgeschlossene, gestrichene oder aktive Datensätze.
• Ob null, Null oder ein Sentinel-Datum eine besondere Bedeutung hat.

Fügen Sie eine Definition in die Schema-Objektbeschreibung ein, wenn sie auf ein Objekt angewendet wird. Platzieren Sie sie in Datenquellenanweisungen, wenn sie über die Datenquelle angewendet werden oder die Multi-Objekt-Abfragelogik beeinflusst.

Erkläre Beziehungen und die Granularität von Tabellen

Genaue Verknüpfungen hängen von mehr als nur übereinstimmenden Spaltennamen ab. Identifizieren Sie das Korn wichtiger Tabellen, gültiger Beziehungspfade und Schlüssel, die aus Metadaten nicht offensichtlich sind.

Erklären Sie zum Beispiel, ob eine Verkaufstabelle eine Zeile pro Auftrag, Bestellzeile oder tägliche Produktsumme enthält. Wenn das Verbinden zweier Faktentabellen Zeilen duplizieren würde, sollte der Agent angewiesen werden, jede Tabelle vor dem Verbinden zu aggregieren oder die entsprechende Dimensionstabelle zu verwenden.

Fügen Sie Beziehungsratschläge hinzu, wie zum Beispiel:

- Join `OrderItems` to `Orders` on `OrderID`.
- Join `Orders` to `Customers` on `CustomerID`.
- Aggregate `OrderItems` to one row per `OrderID` before joining to order-level payment totals.

Verwenden Sie Beispielabfragen für komplexe Logik

Verwenden Sie Beispielabfragen, wenn die Abfrage klarer dargestellt wird, als die Logik in Prosa zu beschreiben. Ein gutes Beispiel kombiniert eine repräsentative Frage in natürlicher Sprache mit einer gültigen Abfrage, die das erwartete Muster zeigt.

Priorisieren Sie Beispiele, die zeigen:

• Joins über mehrere Tabellen oder erforderliche Voraggregierung.
• Geschäftsspezifische Berechnungen.
• Relative Daten, Geschäftsperioden oder Snapshot-Logik.
• Filter, die Benutzerterminologie auf gespeicherte Werte abbilden.
• Ranking, Fensterfunktionen oder andere komplexe Abfragemuster.

Fokussiere jedes Beispiel auf ein wiederverwendbares Muster. Vermeiden Sie überlappende oder widersprüchliche Beispiele und überprüfen Sie, ob jedes Beispiel noch mit dem aktuellen Schema übereinstimmt.

Teste und verfeinere den Kontext

Teste repräsentative Fragen, inspiziere die generierte Anfrage und identifiziere, welcher Kontext fehlte oder missverstanden wurde. Aktualisieren Sie die Konfiguration, die dem Problem am nächsten kommt:

• Entferne irrelevante Objekte oder füge bei der Schema-Auswahl fehlende hinzu.
• Erläutern Sie die Bedeutung oder die erwarteten Werte eines Objekts in seiner Schemabeschreibung.
• Fügen Sie datenobjektübergreifende Geschäftslogik oder Join-Logik zu den Datenquellenanweisungen hinzu.
• Füge eine Beispielanfrage hinzu, wenn der Agent ein bestimmtes Abfragemuster lernen muss.

Wiederholen Sie diesen Vorgang, während sich das Schema und die Nutzerfragen entwickeln. Für einen strukturierten Test-Workflow siehe Entwicklung eines Datenagenten unter Verwendung eines iterativen Prozesses.

Nächste Schritte

• Konfigurationen des Daten-Agents
• Fügen Sie Schema-Objektbeschreibungen zu einem Datenagenten hinzu
• Laufzeit des Fabric-Daten-Agents
• Beispielabfragen
• Datenquellen hinzufügen und konfigurieren