AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


7K star!Text2SQL还不够?试试RAG2SQL的开源工具,用自然语言查数据
发布日期:2024-05-28 19:24:02 浏览次数: 1718



 


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 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())

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

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询