对于人工智能应用来说，上下文至关重要。因此，上下文管理，以及由此产生的上下文工程，对于获得问题的准确答案、确保人工智能代理能够专注于任务等都至关重要。然而，上下文的获取既艰难又脆弱，因此我们在 AgentDB 中推出了模板。
当 AI 代理决定需要使用数据库时，它需要经历一个多步骤的理解过程。通常需要 3-7 次调用，代理才能充分理解数据库的结构，从而利用它完成一些有意义的工作。这需要花费大量的时间和代币进行理解。更糟糕的是，这种“发现税”会被反复支付。每个新的代理会话都从零开始，重新学习之前的代理已经掌握的数据库语义。
AgentDB中的模板解决了这个问题，它预先为 AI 代理提供了所需的上下文，而不是强迫它们通过反复试验来发现。模板预先提供了数据库的两个关键信息：语义描述和结构定义。
语义描述解释了数据库存在的原因以及如何使用它。它包含枚举值和其他领域特定知识的映射。可以将其视为为AI代理编写的数据库用户手册。结构组件使用迁移模式来定义数据库布局。这使得代理无需查询系统架构即可立即理解表、关系和数据类型。
使用 AgentDB 模板，代理请求（例如“给我一份待办事项列表”（待办事项数据库）或“为该客户创造新机会”（CRM 数据库））可以立即生效。
定义模板后，它适用于任何遵循该模式的数据库。因此，一个模板可以为 AI 代理提供所需的上下文，用于任意数量的具有相同意图的数据库。就像之前提到的，每个用户都可以使用一个待办事项列表数据库。
但静态指令对 AI 代理的作用有限。毕竟，它们是会思考的机器。因此， AgentDB模板可以随着使用而不断演进。例如，可以使用效果良好的特定查询动态更新模板。这形成了一个反馈循环，模板会随着时间的推移变得更加有效，从实际使用中学习，从而为未来的 AI 交互提供更好的指导。
AgentDB 模板作为MCP服务器提供给 AI 代理，该服务器也支持原始 SQL 访问。因此，AI 代理可以立即有效地使用数据库，并且仍然可以通过查询进行实验。AgentDB 模板是为 AI 系统而非人类设计软件的另一个例子，因为他们是不同的“用户”。