Vanna使用ollama分析本地数据库

这节一起用Vanna来实现自然语言转SQL，之前的大模型一直停留在问答阶段，答案基本都是大模型提供的，至多是加点本地知识库，text，pdf等文档，丰富大模型的内容，但是想要大模型与一些管理系统对接还是无能为力，这节就一起尝试下用Vanna对接数据库，将自然语言转成标准的SQL对数据库进行查询。这也是很多管理系统的开发者最需要落地实践的内容。

        使用Vanna之前需要打开Vanna的官网申请一个key，如果之前没有注册过的话，还需要先注册一个vanna的账号，注册成功后，在 申请KEY的页面申请key申请之后鼠标悬停在中间的输入框上，key就会显示出来。

因为vanna是python实现的，我这里也用python开发，用的pycharm编辑器，需要导入Vanna组件，在pycharm的命令提示符输入：

登录后复制

pip install vanna

• 1.

等待安装成功后，按照官网的步骤对接Vanna,这里使用的是Vanna提供的的sqlite数据库，且已经训练好了，有了一些基础的训练数据。后面可以直接问答了。

登录后复制

from vanna.remote import VannaDefault
vn = VannaDefault(model='chinook', api_key='your_key')

vn.connect_to_sqlite('https://vanna.ai/Chinook.sqlite')
from vanna.flask import VannaFlaskApp
VannaFlaskApp(vn).run()

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.

然后点击运行，运行成功后，会在控制台打印出访问地址，打开后页面如下

在输入框输入问题后，他会将问题转化成标准的SQL语句进行查询，并用表格展示，同时，vanna会根据自己的理解使用适当的图表展示

但是这种方法只能连接远程的Vanna，需要申请vanna的key，且在线的数据库也没办法训练，下面尝试自己做一个本地部署的Vanna。要实现Vanna分析本地mysql数据库，也要使用本地大模型，所以开始之前需要给本地安装好大模型，我这里用ollama下载了llama3，这节就用llama3作为大模型分析，如果本地没有ollama的可以参考我之前的章节安装一下，同时本地还需要安装mysql数据库，并创建一个表作为接下来用大模型分析的对象。mysql可以docker安装，也可以手动下载安装文件安装。

我这里安装好了，并建好了数据库和表，数据表如下：

因为需要连接mysql数据库，因此需要安装mysql-connecter-python，同时我们将向量数据库换为ChromDB，在pycharm的命令提示符执行

登录后复制

pip install vanna
pip install ollama
pip install ChromaDB
pip install mysql-connector-python
pip install 'vanna[chromadb,ollama,mysql]'

• 1.
• 2.
• 3.
• 4.
• 5.

安装完成后，按照vanna的官方文档，实现MyVanna的方法

登录后复制

class MyVanna(ChromaDB_VectorStore, Ollama):
    def __init__(self, config=None):
        ChromaDB_VectorStore.__init__(self, config=config)
        Ollama.__init__(self, config=config)

• 1.
• 2.
• 3.
• 4.

然后需要连接本地的ollama中的llama3，输入模型名称llama3:8b，并设置访问地址，然后替换连接的数据库，我的数据库在局域网，因此填写局域网的数据库IP，和账号密码。

登录后复制

vn = MyVanna(config={'model': 'llama3:8b','ollama_host':'http://127.0.0.1:11434'})

def run_sql(sql: str) -> pd.DataFrame:
    cnx = mysql.connector.connect(user='root',password='123456',host='192.168.30.169',database='vanna')
    cursor = cnx.cursor()
    cursor.execute(sql)
    result = cursor.fetchall()
    columns = cursor.column_names
    # print('columns:',columns)
    df = pd.DataFrame(result, columns=columns)
    return df

# 将函数设置到vn.run_sql中
vn.run_sql = run_sql
vn.run_sql_is_set = True

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.

此时已经可以连接到大模型，并访问数据库了，但是大模型并不知道数据结构，所以要对Vanna进行简单的训练，官方的训练分为三种，DDL，Document，SQL，DDL就是建表语句，告诉大模型表结构，Document存放的是数据库中的一些专业术语，比如你要查询成年人的数量，那就要在document中记录，成年人是指大于18岁的人。SQL就是正常的sql语句了，另外每次的提问也会作为问答记录存到训练数据中，也可以提前手动添加问答训练数据。我们这里就只放一个建表语句，让大模型知道我们的数据结构是什么样的，以及每个字段代表的意思。

登录后复制

vn.train(ddl="""
CREATE TABLE `book`  (
  `id` int NOT NULL AUTO_INCREMENT COMMENT '表唯一ID',
  `create_time` datetime NULL DEFAULT NULL COMMENT '创建时间',
  `book_name` varchar(255) CHARACTER SET utf8mb3 COLLATE utf8mb3_general_ci NULL DEFAULT NULL COMMENT '书的名字',
  `book_code` varchar(255) CHARACTER SET utf8mb3 COLLATE utf8mb3_general_ci NULL DEFAULT NULL COMMENT '书的编号',
  `book_introduction` varchar(255) CHARACTER SET utf8mb3 COLLATE utf8mb3_general_ci NULL DEFAULT NULL COMMENT '书的简介',
  `book_publisher` varchar(255) CHARACTER SET utf8mb3 COLLATE utf8mb3_general_ci NULL DEFAULT NULL COMMENT '书的出版社',
  `book_image` longtext CHARACTER SET utf8mb3 COLLATE utf8mb3_general_ci NULL COMMENT '书的图片',
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 8 CHARACTER SET = utf8mb3 COLLATE = utf8mb3_general_ci COMMENT = 'book表' ROW_FORMAT = Dynamic;
""")

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.

然后运行项目，运行成功后会在控制台打印访问地址：

打开访问地址：http://localhost:8084,是和刚才一样的页面，只不过这里是本地部署的了，

此时可以针对本地的数据库进行提问：可以在提问框里输入每种书各有多少本，然后回车，

最终返回结果如下，vanna不仅先返回了正确的sql，同时会把结果以表格的形式展示，提供导出功能，最终还会根据结果的数据结构，选择适合的图表做展示。不过如果电脑的性能比较差，可能需要延迟好一会才会有回答，在使用的时候需要耐心等待。