开源项目推荐
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。
java复制代码!pip install vanna
import vanna
from vanna.remote import VannaDefault
vn = 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 VannaFlaskApp
VannaFlaskApp(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
javascript复制代码import vanna as vn
import 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。
arduino复制代码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
ini
复制代码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
ini复制代码sql = vn.generate_sql(my_question)
st.code( sql , language = 'sql' )
显示表格
ini复制代码df = vn.run_sql(sql)
st.dataframe(df, use_container_width= True )
使用AI生成图表并显示
ini复制代码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:
ini复制代码import vanna as vn
import 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。
读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
资源分享
大模型AGI学习包
资料目录
- 成长路线图&学习规划
- 配套视频教程
- 实战LLM
- 人工智能比赛资料
- AI人工智能必读书单
- 面试题合集
《人工智能\大模型入门学习大礼包》,可以扫描下方二维码免费领取!
1.成长路线图&学习规划
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。
2.视频教程
很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,其中一共有21个章节,每个章节都是当前板块的精华浓缩。
3.LLM
大家最喜欢也是最关心的LLM(大语言模型)
《人工智能\大模型入门学习大礼包》,可以扫描下方二维码免费领取!