SQLDatabase工具
在 LangChain 中,SQLDatabase工具可以用来与SQL数据库进行交互。SQLDatabase是数据库连接的包装器,为了与SQL数据库通信,它使用SQLAlchemy Core API 。
准备数据
这里先使用sqlite3数据库,创建一张user表,同时插入一些测试数据。
python
代码解读
# 导入sqlite3库,一个Python内置的轻量级数据库
import sqlite3
print("------------------------连接数据库------------------------")
# 连接数据库
conn = sqlite3.connect('demo.db')
cursor = conn.cursor()
print("------------------------数据表创建------------------------")
# 执行SQL命令 创建User表
cursor.execute('''
CREATE TABLE User (
ID INTEGER PRIMARY KEY,
Name TEXT NOT NULL,
Age INT,
Money REAL,
CreateDate DATE DEFAULT CURRENT_DATE
);
''')
print("------------------------数据插入------------------------")
# 插入数据
users = [
('Java', 10, 20.5),
('Python', 20, 0),
('Vue', 33, 55.0),
('Go', 5, 100.55),
]
for user in users:
cursor.execute('''
INSERT INTO User (Name, Age, Money)
VALUES (?, ?, ?);
''', user)
print("------------------------查询数据------------------------")
users = cursor.execute("SELECT * from User")
for row in users:
print(row)
# 提交更改
conn.commit()
# 关闭数据库连接
conn.close()
初始化数据库
首先连接到sqlite数据库,进行数据库初始化
python
代码解读
from langchain_community.utilities import SQLDatabase
import sqlalchemy as sa
# 连接到demo数据库
db = SQLDatabase.from_uri("sqlite:///demo.db")
光标查询
查询模式:cursor,将结果作为SQLAlchemy的CursorResult实例返回
python
代码解读
result = db.run("SELECT * FROM User LIMIT 10;", fetch="cursor")
print(type(result))
print(list(result.mappings()))
python
代码解读
<class 'sqlalchemy.engine.cursor.CursorResult'>
[{'ID': 1, 'Name': 'Java', 'Age': 10, 'Money': 20.5, 'CreateDate': '2024-04-14'},
{'ID': 2, 'Name': 'Python', 'Age': 20, 'Money': 0.0, 'CreateDate': '2024-04-14'},
{'ID': 3, 'Name': 'Vue', 'Age': 33, 'Money': 55.0, 'CreateDate': '2024-04-14'},
{'ID': 4, 'Name': 'Go', 'Age': 5, 'Money': 100.55, 'CreateDate': '2024-04-14'}]
字符串查询
查询模式:all 和one,以字符串格式返回结果。
python
代码解读
result = db.run("SELECT * FROM User LIMIT 10;", fetch="all")
print(type(result))
print(result)
python
代码解读
<class 'str'>
[(1, 'Java', 10, 20.5, '2024-04-14'), (2, 'Python', 20, 0.0, '2024-04-14'), (3, 'Vue', 33, 55.0, '2024-04-14'), (4, 'Go', 5, 100.55, '2024-04-14')]
带参数查询
可以使用parameters可选参数,来绑定查询参数
python
代码解读
result = db.run(
"SELECT * FROM User WHERE Name LIKE :search;",
parameters={"search": "P%"},
fetch="cursor",
)
print(list(result.mappings()))
python
代码解读
[{'ID': 2, 'Name': 'Python', 'Age': 20, 'Money': 0.0, 'CreateDate': '2024-04-14'}]
使用SQLAlchemy查询
SQLDatabase工具除了使用纯文本SQL语句之外,其适配器还接受 SQLAlchemy 可选择项。
python
代码解读
import sqlalchemy as sa
# 为了在sqlalchemy 的 Core API 上构建一个可选择的,需要一个表的定义。
metadata = sa.MetaData()
user = sa.Table(
"User",
metadata,
sa.Column("Id", sa.INTEGER, primary_key=True),
sa.Column("Name", sa.TEXT),
sa.Column("Age", sa.INT),
sa.Column("Money", sa.REAL),
)
# 构建一个查询语义
query = sa.select(user).where(user.c.Name.like("J%"))
# 执行查询
result = db.run(query, fetch="cursor")
print(list(result.mappings()))
python
代码解读
[{'Id': 1, 'Name': 'Java', 'Age': 10, 'Money': 20.5}]
使用自然语言查询数据库
LangChain提供了与SQL数据库交互的工具:
sql
代码解读
create_sql_query_chain:基于用户自然语言问题构建SQL查询
SQLDatabaseChain:使用链进行查询、创建和执行来查询SQL数据库
create_sql_agent:使用代理进行健壮和灵活的与SQL数据库交互
这里使用create_sql_query_chain链+SQLDatabase工具实现:将自然语言转换成数据库的SQL查询。
python
代码解读
from langchain_community.utilities import SQLDatabase
from langchain.chains.sql_database.query import create_sql_query_chain
# 连接 MySQL 数据库
db_user = "root"
db_password = "12345678"
db_host = "IP"
db_port = "3306"
db_name = "demo"
db = SQLDatabase.from_uri(f"mysql+pymysql://{db_user}:{db_password}@{db_host}:{db_port}/{db_name}")
print("数据库方言:", db.dialect)
print("获取数据表:", db.get_usable_table_names())
# 执行查询
res = db.run("SELECT count(*) FROM tb_users;")
print(type(res))
print("查询结果:", res)
from langchain_openai import ChatOpenAI
# 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = create_sql_query_chain(llm=llm, db=db)
response = chain.invoke({"question": "查询数据表tb_users中的用户,要求年龄大于20"})
print("Chain执行结果:"+ response)
# 删除response无用部分
sql = response.replace("sql: ", "").replace("```sql", "").replace("```", "")
print("自然语言转SQL:" + sql)
res = db.run(sql)
print("查询结果:", res)
执行结果如下:
使用其他工具
Tavily Search工具
Tavily的搜索API是一个专门为人工智能代理(llm)构建的搜索引擎,可以快速提供实时、准确和真实的结果。
配置环境变量
访问Tavily(用于在线搜索)注册账号并登录,获取API 密钥
设置OpenAI和TAVILY的API密钥
python
代码解读
import os
# 设置OpenAI的BASE_URL、API_Key
os.environ["OPENAI_BASE_URL"] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY"] = "sk-BGFnOL9Q4c1234fsfsdaf9b4813bc437B82c2"
# 设置tavily
os.environ["TAVILY_API_KEY"] = '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'
应用示例
python
代码解读
from langchain import hub
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_openai import ChatOpenAI
# 使用Tavily搜索工具
tools = [TavilySearchResults(max_results=1)]
# 获取要使用的提示
prompt = hub.pull("hwchase17/openai-tools-agent")
# 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
# 构建 OpenAI 工具代理
agent = create_openai_tools_agent(llm, tools, prompt)
# 通过传入代理和工具创建代理执行程序
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 运行代理
agent_executor.invoke({"input": "目前市场上黄金的平均售价是多少?"})
Dall-E图像生成工具
OpenAI的Dall-E是使用深度学习方法开发的文本到图像模型,可从自然语言描述(提示)生成数字图像。
使用感受:效果不咋滴。
python
代码解读
import os
# 设置OpenAI的BASE_URL、API_Key
os.environ["OPENAI_BASE_URL"] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY"] = "sk-BGFnOL9Q4c1234fsfsdaf9b4813bc437B82c2"
from langchain.chains import LLMChain
from langchain_community.utilities.dalle_image_generator import DallEAPIWrapper
from langchain_core.prompts import PromptTemplate
from langchain_openai import OpenAI
llm = OpenAI(temperature=0.9)
# prompt = PromptTemplate(
# input_variables=["image_desc"],
# template="根据描述生成图像: {image_desc}",
# )
# chain = LLMChain(llm=llm, prompt=prompt)
# image_url = DallEAPIWrapper().run(chain.run("Create an image of a halloween night at a haunted museum"))
# print(image_url)
from langchain.agents import load_tools, initialize_agent
tools = load_tools(["dalle-image-generator"])
agent = initialize_agent(tools, llm, agent="zero-shot-react-description")
image_url = agent.run("Create an image of a halloween night at a haunted museum")
print(image_url)
ArXiv工具
在LangChain中,ArXiv工具是一个用于与arXiv.org(一个收集物理学、数学、计算机科学、量子生物学和统计学等领域的学术论文的网站)交互的工具。
Arxiv工具是围绕Arxiv.org的封装工具,可用于回答关于各领域科学文章的问题,适用于物理学、数学、计算机科学等领域。输入应该是搜索查询内容。
安装arxiv python包
python
代码解读
pip install arxiv
假设你是一名计算机科学专业的学生,正在研究深度学习在图像识别领域的最新进展。你可以使用ArXiv工具来搜索相关论文。
python
代码解读
from langchain_openai import ChatOpenAI
from langchain.agents import load_tools, create_react_agent, AgentExecutor
# 初始化模型和工具
llm = ChatOpenAI(temperature=0.0)
tools = load_tools(
["arxiv"],
)
# 获取提示模板
prompt = hub.pull("hwchase17/react")
# 初始化Agent
agent = create_react_agent(llm, tools, prompt)
# 创建agent_executor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 定义搜索关键字:深度学习在图像识别领域的最新进展
keywords = "Recent advances in deep learning in image recognition"
# 运行链
res = agent_executor.invoke({"input": keywords})
print(res)
输出:
如何系统的去学习AI大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~