微信扫码
与创始人交个朋友
我要投稿
查询数据库离不开SQL,那如何快速构建符合自己期望的SQL呢?AI发展带来了Text2SQL的能力,众多产品纷纷提供了很好的支持。
今天我们分享一个开源项目,它在Text2SQL的基础上还要继续提高,通过加入RAG的能力进一步增强,它就是:Vanna
Vanna 是什么
从本质上讲,Vanna 是一个 Python 包,它使用检索增强来帮助您使用 LLM 为数据库生成准确的 SQL 查询。
Vanna 的工作过程分为两个简单步骤 - 在您的数据上训练 RAG“模型”,然后提出问题,这些问题将返回 SQL 查询,这些查询可以设置为在您的数据库上自动运行。
Vanna有三种模式,适应不同的需求。
第一种,开源模式。
你可以用它来集成任何你喜欢的语言模型,完全自定义。
就像自己搭积木,想怎么玩就怎么玩。
第二种,免费模式。
这里有日限额的模型使用,还有免费的存储服务。
用GPT 3.5,你可以不花一分钱就开始探索数据。
第三种,付费模式。
如果你需要更多,这里有无限制的使用,GPT-4的支持,还有服务保障。
想象一下,不管你是开发者还是分析师,都能用Vanna来发现数据的秘密。
使用 Vanna
你可以从Jupyter Notebook、Slackbot、网页应用或Streamlit等开始使用Vanna。当然也可以将Vanna集成到你的网页应用里。
如果你只是想简单体验一下Vanna,可以使用已经训练好的在线大模型和Vanna 提供的向量数据库,最简单的方式是通过Colab notebook。
!pip install vannaimport vannafrom vanna.remote import VannaDefaultvn = VannaDefault(model='chinook', api_key=vanna.get_api_key('my-email@example.com'))vn.connect_to_sqlite('<https://vanna.ai/Chinook.sqlite>')vn.ask("What are the top 10 albums by sales?")from vanna.flask import VannaFlaskAppVannaFlaskApp(vn).run()
这里需要使用到vanna 的apikey,所以需要注册vanna 的账号。
AI 数据库机器人
可以通过Streamlit 和 Vanna的组合来快速创建一个数据库的SQL聊天机器人,首先,我们将导入我们将使用的 2 个 Python 包:Streamlit 和 Vanna。
Streamlit提供用户界面
Vanna 提供Text2SQL的能力
import vanna as vnimport streamlit as st
设置
在这里,我们将使用 Vanna API 密钥,将 Vanna 检索增强模型设置为“chinook”,它具有该数据库的元数据,并且我们将连接到 SQLite 数据库,这将允许我们运行生成的 SQL。
vn.set_api_key(st.secrets[ "vanna_api_key" ])
vn.set_model( 'chinook' )
vn.connect_to_sqlite( '<https://vanna.ai/Chinook.sqlite>' )
对话框
my_question = st.text_input( "问我一个可以转化为 SQL 的问题" , key= "my_question" )
使用 AI 生成 SQL
sql= vn.generate_sql(my_question) st.code( sql , language = 'sql' )
显示表格
df = vn.run_sql(sql) st.dataframe(df, use_container_width= True )
使用AI生成图表并显示
fig = vn.get_plotly_figure(plotly_code=vn.generate_plotly_code(question=my_question, sql=sql, df=df), df=df)st.plotly_chart(fig, use_container_width=True)
整合
接下来我们将几部分内容最终整合成一个完整的示例。如下所示:
import vanna as vn
import streamlit as st
vn.set_api_key(st.secrets["vanna_api_key"])
vn.set_model('chinook')
vn.connect_to_sqlite('<https://vanna.ai/Chinook.sqlite>')
my_question = st.session_state.get("my_question", default=None)
if my_question is None:
st.image("chinook-schema.png", use_column_width=True)
my_question = st.text_input("Ask me a question that I can turn into SQL", key="my_question")
else:
st.title(my_question)
sql = vn.generate_sql(my_question)
st.code(sql, language='sql')
df = vn.run_sql(sql)
st.dataframe(df, use_container_width=True)
fig = vn.get_plotly_figure(plotly_code=vn.generate_plotly_code(question=my_question, sql=sql, df=df), df=df)
st.plotly_chart(fig, use_container_width=True)
st.button("Ask another question", on_click=lambda: st.session_state.clear())
总结
整体来说,Vanna 框架,让我们无需太多关心Prompt的构建、组装与优化,就可以快速实现一个基于Text2SQL方案的交互式数据库对话机器人,且具备更高的正确率。目前在一些使用是还是会存在正确率不够的情况,可能是RAG的信息不足的问题,但生成速度和体验上还是非常不错的。
在Text2SQL领域,Vanna引入RAG的概念是一个不错的尝试,希望将来可以发展的越来越完善。
项目信息
项目名称: Vanna
GitHub 链接:https://github.com/vanna-ai/vanna
Star 数:7K
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-12-24
2025,AI世界的“大厦已成”,红杉资本的三大AI预测
2024-12-24
国内AI“六小龙”概览
2024-12-24
「深度」O1意义被大大低估!OpenAI核心科学家重磅发声:测试时计算将引爆AGI时代!
2024-12-24
AI大牛解析o3技术路线!大模型下一步技术路线已现端倪?
2024-12-23
AI Agent智能体产品的5个级别
2024-12-23
Anthropic官方揭秘:构建AI智能体的"最强攻略"!
2024-12-23
2025年AI大模型的趋势与洞察
2024-12-23
阶跃星辰完成数亿美元 B 轮融资,发力「超级模型」+「超级应用」
2024-05-28
2024-04-26
2024-08-13
2024-08-21
2024-07-09
2024-06-13
2024-08-04
2024-04-11
2024-07-18
2024-07-01