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
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。
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。
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 vnimport 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())
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。
粤ICP备14082021号
免费POC，
零成本试错
