探索SQLDatabase Toolkit: 构建智能SQL问答系统的新起点

最新推荐文章于 2024-11-09 12:04:57 发布

bhawfgrcbtwny

最新推荐文章于 2024-11-09 12:04:57 发布

阅读量334

点赞数 4

文章标签： sql jvm 数据库

本文链接：https://blog.csdn.net/bhawfgrcbtwny/article/details/142287558

版权

# 引言
在现代数据驱动的世界中，构建一个能有效与SQL数据库交互的系统至关重要。SQLDatabase Toolkit为开发者提供了一套强大工具，使得基于语言模型的系统可以迭代地从关系数据库中提取信息，尤其适用于问答系统。本篇文章将引导你通过SQLDatabase Toolkit的基本使用，帮助你快速上手。

# 主要内容

## 安全注意
在构建SQL数据库问答系统时，需要执行模型生成的SQL查询，这个过程存在潜在风险。确保数据库连接权限限制在系统需要的最小范围内，以降低风险。更多安全实践请参考[这里](https://example.com)。

## 工具安装
SQLDatabase Toolkit属于`langchain-community`包，可以通过以下命令安装：
```bash
%pip install --upgrade --quiet langchain-community

数据库设置

我们将使用Chinook示例数据库，通过以下代码创建一个内存SQLite数据库：

import sqlite3
import requests
from langchain_community.utilities.sql_database import SQLDatabase
from sqlalchemy import create_engine
from sqlalchemy.pool import StaticPool

def get_engine_for_chinook_db():
    url = "https://raw.githubusercontent.com/lerocha/chinook-database/master/ChinookDatabase/DataSources/Chinook_Sqlite.sql"
    response = requests.get(url)
    sql_script = response.text

    connection = sqlite3.connect(":memory:", check_same_thread=False)
    connection.executescript(sql_script)
    return create_engine(
        "sqlite://",
        creator=lambda: connection,
        poolclass=StaticPool,
        connect_args={"check_same_thread": False},
    )

engine = get_engine_for_chinook_db()
db = SQLDatabase(engine)

设置语言模型

可以选择不同的语言模型，例如OpenAI、Azure等。以下为OpenAI的示例配置：

import getpass
import os
from langchain_openai import ChatOpenAI

os.environ["OPENAI_API_KEY"] = getpass.getpass()  # 在此输入你的API密钥

llm = ChatOpenAI(model="gpt-4o-mini")

工具实例化

使用以下代码实例化SQLDatabase Toolkit：

from langchain_community.agent_toolkits.sql.toolkit import SQLDatabaseToolkit

toolkit = SQLDatabaseToolkit(db=db, llm=llm)

代码示例

以下展示了如何使用Toolkit进行简单的SQL查询操作：

from langchain import hub
from langgraph.prebuilt import create_react_agent

prompt_template = hub.pull("langchain-ai/sql-agent-system-prompt")
system_message = prompt_template.format(dialect="SQLite", top_k=5)

agent_executor = create_react_agent(
    llm, toolkit.get_tools(), state_modifier=system_message
)

example_query = "Which country's customers spent the most?"
events = agent_executor.stream(
    {"messages": [("user", example_query)]},
    stream_mode="values",
)
for event in events:
    event["messages"][-1].pretty_print()