粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
上篇文章我们介绍了一个使用RAG进行SQL生成的项目(RAG做SQL生成处理表格，一个10.1k※的开源工具vanna)。这篇文章我们介绍一个使用LangChain实现SQLagent的方法，LangChain直接内置了自己的SQLagent实现-—SQLDatabaseChain。这个方法使用 SQL Alchemy 与数据库交互。感兴趣的可以考虑一下这两个方案是否可以融合，这样保证SQL的准确性从而提升最终结果的准确率。下面将介绍今天主要内容的实现步骤：
实现步骤
首先，我们得有一个数据库。这里我们用的是ClickHouse，一个开源的、面向列的SQL数据库管理系统，特别适合大数据分析。安装起来超级简单，一行命令就搞定。
接下来，我们得让Agent学会和ClickHouse交流。这里就需要用到clickhouse-sqlalchemy这个包了。安装它之后，我们就可以建立数据库连接，然后初始化我们的Toolkit。这个Toolkit就像是我们的Agent的工具箱，里面装满了有用的工具。
现在，让我们来创建一个SQLDatabaseChain的Agent。这个Agent可以直接和数据库交互，回答问题。我们只需要定义一些工具，比如查询表结构、执行SQL查询等。然后，我们就可以快速创建并运行这个Agent了。
环境搭建
# 安装 clickhouse-sqlalchemy 包来连接 ClickHousepip install clickhouse-sqlalchemy langchain
运行代码
from langchain.agents import AgentExecutor, AgentTypefrom langchain.sql_database_toolkit import SQLDatabaseToolkit# 设置数据库连接uri = 'clickhouse+native://localhost/ecommerce'db = SQLDatabase.from_uri(uri)# 初始化工具箱toolkit = SQLDatabaseToolkit(db=db, llm=OpenAI(temperature=0))# 创建并运行基于 OpenAI 函数的 Agentagent_executor = create_sql_agent(llm=ChatOpenAI(temperature=0.1, model='gpt-4-1106-preview'),toolkit=toolkit,verbose=True,agent_type=AgentType.OPENAI_FUNCTIONS)# 运行 Agent，回答数据相关问题agent_executor.run("我们有多少来自上海的活跃客户？")
运行这段代码后，Agent就会根据我们的问题去数据库里找到答案，然后告诉我们。比如，它会告诉我们有多少来自上海的活跃客户。这个Agent的好处在于，它可以直接理解我们的问题，然后去数据库里找到答案。我们不需要自己写SQL查询，也不需要担心查询的语法问题。Agent会帮我们搞定一切。
如果对内容有什么疑问和建议可以私信和留言，也可以添加我加入大模型交流群，一起讨论大模型在创作、RAG和agent中的应用。
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
2024-09-18
再见了，LangChain！
2024-09-18
LLMFarm功能汇总：揭秘您可能错过的亮点功能！
2024-09-18
基于LangGraph构建LLM Agent
2024-09-18
Multi-Agent实战：构建复杂的数据处理与可视化系统
2024-09-16
LlamaIndex最新报告：构建高级大模型助手-RAG只是起点
2024-09-16
Tulip Agent：一种利用增删改查让LLM使用大量工具解决复杂任务的新框架！
2024-09-14
Multi Agent 多agent协同，不仅好玩还很实用，给你一个完整的demo
2024-09-13
【一文读懂】搭建RAG的万能工具LangChain
2024-04-11
2024-05-19
2024-04-12
2024-07-18
2024-04-08
2024-04-08
2024-03-31
2024-05-15
2024-06-03
2024-04-28
2024-08-27
2024-08-18
2024-08-16
2024-08-04
2024-07-31
2024-07-29
2024-07-28
2024-07-27
回到顶部