AI大模型时代下运维开发探索：基于大模型(LLM)的数据仓库

在SREWorks社区聚集了很多进行运维数仓建设的同学，大家都会遇到类似的挑战和问题：

• 数仓中存储大量数据消耗成本，但很多存储的数据却并没有消费。
• 进数仓的ETL学习成本高、管理成本高，相关同学配合度低，以及上游结构改动后ETL却迟迟无人调整。
• 数仓中数据的时效性、准确性问题，导致很多场景无法完全依赖数仓展开。

上面的种种让推广数仓的同学很犯难：明明花了大力气构建了统一数仓，但却又受限于各种问题，无法让其价值得到完全的落地。本文旨在阐述一种基于LLM的数仓构建方案，从架构层面解决上述的三个问题。

一、方案设计

从需求出发，再次思考一下我们进行运维数仓构建的初衷：用一句SQL可以查询或统计到所有我们关注的运维对象的情况。虽然有很多方案能做，但总结一下，就是这样两种抽象模型：Push 或 Pull。

• Push的方式是我们去主动管理数据的ETL链路，比如使用Flink、MaxCompute等大数据方案将数据进行加工放到数仓中。在需要查询的时候，直接SELECT数仓就能出结果。这类方案的问题在于：1. ETL管理维护成本高。2. 数据准确性较数据源有所下降。
• Pull的方式是我们不去主动拉所有的数据，在执行时候再去各个数据源找数据，比较具有代表性的就是Presto。这种方案的优点就是不用进行ETL管理以及数据准确性较好，毕竟是实时拉的。但问题就在于这种方案把复杂性都后置到了查询那一刻，查询速度过慢就成了问题。

那么是否有一种方案能将这两种模型结合起来，取其中的优点呢？经过这段时间对于大模型熟悉，我认为这个方案是可行的，于是尝试设计了一下流程图：

1703817156624_5B0E163E-294B-4a61-8298-5B10D6B8D03D.png

二、基于LLM的SQL预查询

相信大家在使用了类似Presto的联邦查询（Federated Query），都会对此印象深刻，原本要好多个for循环的代码，放到里面只要一个select-join就能解决。但Presto本身的定位就是为分析型的负载设计，我们无法把它置于一些高频查询的关键链路上。

联邦查询的SQL和for循环的代码，看起来似乎只隔了一层纱，现在大模型的出现就直接把这层纱给捅破了。我们的思路也非常简单：既然大模型可以非常方便地把用户需求转换成SQL，那么把用户SQL转换成代码似乎也不是一件难事。

import os
import sys
from openai import OpenAI
import traceback
from io import StringIO
from contextlib import redirect_stdout, redirect_stderr

client = OpenAI()

def get_script(content):
    return content.split("```python")[1].split("```")[0]

def execute_python(code_str: str):

    stdout = StringIO()
    stderr = StringIO()
    return_head = 1000

    context = {}

    try:
        # 重定向stdout和stderr，执行代码
        with redirect_stdout(stdout), redirect_stderr(stderr):
            exec(code_str, context)
    except Exception:
        stderr.write(traceback.format_exc())

    # 获取执行后的stdout, stderr和context
    stdout_value = stdout.getvalue()[0:return_head]
    stderr_value = stderr.getvalue()[0:return_head]

    return {"stdout": stdout_value.strip(), "stderr": stderr_value.strip()}


prompt = """
你是一个数据库专家，我会给你一段SQL，请你转换成可执行的Python代码。
当前有2个数据库的连接信息，分别是:

1. 数据库名称 processes 连接串 mysql://root@test-db1.com:3306/processes
下面是这个数据库的表结构

CREATE TABLE process_table (
process_name varchar(100) DEFAULT NULL,
start_time datetime DEFAULT NULL,
end_time datetime DEFAULT NULL,
server_name varchar(100) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci

2. 数据库名称 servers 连接串 mysql://root@test-db2.com:3306/servers
下面是这个数据库的表结构
···
CREATE TABLE `server_table` (
  `server_name` varchar(100) DEFAULT NULL,
  `ip` varchar(100) DEFAULT NULL,
  `zone` varchar(100) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci
···


在编写Python代码的时候，不要把所有的数据库的信息都传入，请根据SQL的内容按需传入。
返回结果中只有Python代码，如要描述信息全部放在注释中。Python的执行结果需要是JSON格式的数据。
下面用户会给出你需要转换的SQL：
"""

query_sql = "select * from processes.process_table a join servers.server_table b on a.server_name = b.server_name where b.zone = 'ZoneA';"

messages = [
    {"role": "system", "content": prompt},
    {"role": "user", "content": query_sql}
]

res = client.chat.completions.create(messages=messages, model="gpt-4")

print(res.choices[0].message.content)

exec_result = execute_python(get_script(res.choices[0].message.content))

print("result:")
print(exec_result)

if exec_result["stderr"] == "" and exec_result["stdout"] != "":
    print(exec_result["stdout"])
    sys.exit(0)

这个例子，确实相当简单直接，连langchain都不需要，我们基于OpenAI的接口直接实现联邦查询的能力：

• 事先将连接串和数据结构准备好，输入给LLM。
• 将SQL语句输入给LLM，确保SQL中的表名和数据结构中的表名一致，避免LLM混淆。
• 将LLM给出的代码直接执行，便获得了查询结果。

下面我们来看看运行的结果

```python
# Import required libraries
import pandas as pd
from sqlalchemy import create_engine

# Create connection engines
engine1 = create_engine('mysql://root@test-db1.com:3306/processes')
engine2 = create_engine('mysql://root@test-db2.com:3306/servers')

# Query data from process_table in processes database
df1 = pd.read_sql('SELECT * FROM `process_table`', engine1)

# Query data from server_table in servers database
df2 = pd.read_sql('SELECT * FROM `server_table` WHERE `zone` = "ZoneA"', engine2)

# Merge both dataframes on server_name
result = pd.merge(df1, df2, how='inner', on='server_name')

# Convert dataframe to JSON
out_json = result.to_json(orient='records')

print(out_json)

关于此代码：
我们首先导入了必要的库，然后使用提供的凭据创建了两个数据库连接。然后，我们分别从两个数据库中查询数据。接着，我们根据"server_name"合并这两个数据框，最后我们将结果转换为JSON格式。
result:
{‘stdout’: ‘[{“process_name”:“Process1”,“start_time”:1703259365000,“end_time”:1703266565000,“server_name”:“Server1”,“zone”:“ZoneA”},{“process_name”:“Process2”,“start_time”:1703262965000,“end_time”:1703270165000,“server_name”:“Server2”,“zone”:“ZoneA”}]’, ‘stderr’: ‘’}
[{“process_name”:“Process1”,“start_time”:1703259365000,“end_time”:1703266565000,“server_name”:“Server1”,“zone”:“ZoneA”},{“process_name”:“Process2”,“start_time”:1703262965000,“end_time”:1703270165000,“server_name”:“Server2”,“zone”:“ZoneA”}]

真实运行起来，确实LLM给的代码比较随机，一会儿使用pandas处理数据，一会儿使用pymysql处理数据，存在非常大的不确定性，但是结果是确定的。多试几次之后，我们发现这个结果还是不稳定，有时候会写一些存在瑕疵的代码，导致报错。基于我们在上一篇已经讲清楚的思维链的模型，我们可以给它加上一个报错反馈链路，让它自行修改问题代码。

for i in range(3):
print(“第”, i + 1, “次重试”)
messages = [
{“role”: “system”, “content”: prompt + “\n” + query_sql},
]

if exec_result["stderr"] != "":
    messages.append({"role": "user", "content": res.choices[0].message.content + "\n\n" + exec_result["stderr"] + "\n执行报错，请根据报错修正，再次生成代码"})
else:
    messages.append({"role": "user", "content": res.choices[0].message.content + "\n\n" + "执行没有任何返回，请再次生成代码"})

res = client.chat.completions.create(messages=messages, model="gpt-4")
print(res.choices[0].message.content)
exec_result = execute_python(get_script(res.choices[0].message.content))

print("result:")
print(exec_result)

if exec_result["stderr"] == "" and exec_result["stdout"] != "":
    print(exec_result["stdout"])
    sys.exit(0)

print(“查询失败”)

有了这层错误反馈之后，我们会发现这个查询就非常稳定了，虽然有些时候LLM产生的代码会出错，但是通过报错信息自行修改优化之后，能够保持产出结果稳定（不过自动修改报错的查询，时延明显会比较长一些）。

|  | **总计** | **一次正确** | **二次正确** | **三次正确** | **失败** |  |  |  |  |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| 次数 | 20 | 7 | 35% | 9 | 45% | 0 | 0 | 4 | 20% |
| 平均耗时 | 43.0s | 13.2s | 45.3s | N/A | 91.2s |  |  |  |  |

**从20次的测试中，可以看出一次查询的成功率在30%左右，通过报错反馈优化，成功率就能达到80%。** 通过观察每个查询语句，基本可以发现使用pandas的代码编写准确率高很多，后续如果需要优化prompt，可以在再增加一些使用依赖库上的指引，编写成功率会更高。同时我们也发现，如果有些代码一开始方向就错误的话，通过报错反馈优化也救不回来，三次成功率为零就是一个很好的说明。当前测试用的LLM推理速度较慢，如果本地化部署LLM理论上推理速度还能更快不少。

当前，基于LLM的查询表现上可以和Presto已经比较近似了，但有些地方会比Presto要更强：

*   **数据源扩展**：presto需要进行适配器的开发才能对接其他数据源，而LLM的方案你只要教会LLM怎么查询特定数据源就行了，事实上可能都不用教，因为它有几乎所有的编程知识。
*   **白盒化以及复杂查询优化**：针对复杂场景如果存在一些查询准确性问题，需要去preso引擎中排查原因并不简单。但LLM的方案是按照人可阅读的代码来了，你可以要求它按照你熟悉的编程语言编写，你甚至可以要求它写的代码每行都加上注释。

当然，和Presto一样，基于LLM的查询方案，只能被放到预查询中，在生产链路中并不能每次都让LLM去生成查询代码，这太慢了。那么有没有办法让它的查询提速呢？可以的。还记得我们在文章开头提过的Push和Pull的模式吗？联邦查询是基于Pull的模式展开的，而流式ETL是基于Push模式展开的，我们如果把查询语句直接翻译成流式ETL的语句，预先将需要的数据处理到一个数据库中，那是不是就完全可以规避掉性能问题了呢？

三、基于LLM的流计算处理
=============

和分析型的查询相比，流计算的数据同步逻辑显然简单很多，只要分析SQL，按需求字段进行同步即可。这里就不贴完整的代码了，就把相关部分的prompt贴出来。

当前有2个数据库的连接信息，分别是:

1. 数据库名称 processes 连接串 mysql://root@test-db1.com:3306/processes
   下面是这个数据库的表结构

CREATE TABLE `process_table` (
  `process_name` varchar(100) DEFAULT NULL,
  `start_time` datetime DEFAULT NULL,
  `end_time` datetime DEFAULT NULL,
  `server_name` varchar(100) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci

2. 数据库名称 servers 连接串 mysql://root@test-db2.com:3306/servers
   下面是这个数据库的表结构
   ···
   CREATE TABLE server_table (
   server_name varchar(100) DEFAULT NULL,
   ip varchar(100) DEFAULT NULL,
   zone varchar(100) DEFAULT NULL
   ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci
   ···

你是一个Flink专家，我会给你一段需求SQL，请你根据需求SQL，分析出哪些字段被需要，编写合适的Flink SQL预先处理到clickhouse中。
原有的表在clickhouse中依然保持原有的表名，保持一对一的映射。
Flink SQL处理的目标是使得用户能在clickhouse中在完全不改动需求SQL的情况下正确执行。
在Flink SQL中只进行数据同步，不要加数据处理逻辑。
请在结果中直接给出一份完整的Flink SQL代码，不要任何文字说明，如果有说明的地方在代码中用注释标出。

下面用户会给需求SQL：
select a.process_name,b.server_name from processes.process_table a join servers.server_table b on a.server_name = b.server_name where b.zone = ‘ZoneA’;

我们可以看到这份prompt和上一章生成查询代码的prompt几乎没有太大差别，只是对于其生成的目标做了修改，明确告诉它要生成Flink SQL。下面就是LLM生成的Flink SQL：

– 创建Flink SQL连接到数据库processes的process_table
CREATE TABLE process_table (
process_name STRING,
server_name STRING
) WITH (
‘connector’ = ‘mysql-cdc’, – 使用 MySQL CDC 连接器
‘hostname’ = ‘test-db1.com’, – 源数据库主机名
‘port’ = ‘3306’, – 源数据库端口
‘username’ = ‘root’, – 源数据库用户名
‘database-name’ = ‘processes’, – 源数据库名
‘table-name’ = ‘process_table’ – 源数据库表名
);

– 创建Flink SQL连接到数据库servers的server_table
CREATE TABLE server_table (
server_name STRING,
zone STRING
) WITH (
‘connector’ = ‘mysql-cdc’, – 使用 MySQL CDC 连接器
‘hostname’ = ‘test-db2.com’, – 源数据库主机名
‘port’ = ‘3306’, – 源数据库端口
‘username’ = ‘root’, – 源数据库用户名
‘database-name’ = ‘servers’, – 源数据库名
‘table-name’ = ‘server_table’ – 源数据库表名
);

– 创建到ClickHouse的连接，保持和源数据库对应关系
CREATE TABLE clickhouse_process_table (
process_name STRING,
server_name STRING
) WITH (
‘connector’ = ‘clickhouse’,
‘url’ = ‘clickhouse://localhost:8123’,
‘table-name’ = ‘process_table’
);

CREATE TABLE clickhouse_server_table (
server_name STRING,
zone STRING
) WITH (
‘connector’ = ‘clickhouse’,
‘url’ = ‘clickhouse://localhost:8123’,
‘table-name’ = ‘server_table’
);

– Flink SQL同步数据
INSERT INTO clickhouse_process_table
SELECT process_name, server_name
FROM process_table;

INSERT INTO clickhouse_server_table
SELECT server_name, zone
FROM server_table;

如我们所预期的，LLM给出了准确的Flink SQL语句，并且还根据查询需求的SQL，它只同步了会查到的字段，用不到的字段就没有同步（比如server中的ip字段没有用到）。在这样一条链路中，我们同样可以类似第三章使用的报错反馈自优化的方式，提高生成代码的稳定性，使得其生成的代码可以直接在生产中部署运行，在这里我们就不做过多展开了。

四、总结

一份需求查询SQL，利用LLM生成两份代码，一份用于Pull：直接查询返回结果，预查询调试用；一份用于Push：构建消费链路进实时数仓。基于LLM，实现真正意义上从需求出发的ETL生产链路构建，大概包含如下优点：

• 避免ETL过程的过度加工：按需加字段，不会加工太多用不到字段浪费计算、浪费存储。
• 降低使用者维护ETL加工过程成本：虽然Flink SQL的可维护性已经很好了，但是面向计算过程的SQL编写方式还是让很多用户不适应。如果直接用查询SQL来进行自动生成，就大大降低了维护的门槛。
• 统一数据链路： 以查询为驱动的数据模型，可以使得使用者始终面向数据源表进行需求思考。ETL实时计算产生的数据会更像一个物化视图，这样在做实时数据准确性校验时也更加方便。

如果您当前还在为数仓的构建所困扰，可以尝试一下这个基于LLM的方案，欢迎大家在SREWorks数智运维社区沟通交流。

如何系统的去学习大模型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。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

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

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

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】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓