在当今数字化时代,数据驱动决策已经成为企业发展的关键。随着数据库技术的不断发展,查询数据库的方式也在不断演变。传统的数据库查询方式虽然功能强大,但有时显得复杂和冗长。而Function Calling(函数调用)提供了一种更加简洁、高效的数据库查询方式。本文将介绍Function Calling查询数据库的原理、优势以及实际应用案例。
一、什么是Function Calling?
Function Calling,顾名思义,就是通过调用函数的方式来完成特定任务。在数据库查询中,Function Calling指的是将查询操作封装成函数,通过调用这些函数来完成数据库查询。与传统的SQL查询语句不同,Function Calling具有更高的可读性和复用性。
二、Function Calling查询数据库的优势
-
简洁明了:Function Calling将复杂的查询操作封装在函数内部,调用时只需简短的函数名称和参数,极大简化了查询语句。
-
高效复用:常用的查询操作可以封装成函数,方便在不同的项目或模块中复用,减少重复代码,提高开发效率。
-
易于维护:由于查询逻辑集中在函数内部,当需要修改查询逻辑时,只需更新函数定义,无需逐个修改所有使用到该查询的地方。
-
安全性高:通过预定义的函数进行数据库操作,可以有效防止SQL注入等安全问题,增强系统的安全性。
三、Function Calling查询数据库的实现
以Python为例,实现数据库查询:
# 导入必要的库``import openai``import os``from math import *``from icecream import ic``import json``from math import *``import requests``import logging``import sqlite3`` ``# 设置日志记录配置``logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')`` ``# 加载 .env 文件``from dotenv import load_dotenv, find_dotenv``_ = load_dotenv(find_dotenv())`` ``# 从环境变量中获得你的 OpenAI Key``openai.api_key = os.getenv('OPENAI_API_KEY')``openai.api_base = os.getenv('OPENAI_API_URL')``model = os.getenv('MODEL')``amap_key = os.getenv('GAODE_MAP_API_KEY')`` ``# 定义数据库表结构的字符串``database_schema_string = """``CREATE TABLE customers (` `id INT PRIMARY KEY NOT NULL, -- 主键,不允许为空` `customer_name VARCHAR(255) NOT NULL, -- 客户名,不允许为空` `email VARCHAR(255) UNIQUE, -- 邮箱,唯一` `register_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP -- 注册时间,默认为当前时间``);``CREATE TABLE products (` `id INT PRIMARY KEY NOT NULL, -- 主键,不允许为空` `product_name VARCHAR(255) NOT NULL, -- 产品名称,不允许为空` `price DECIMAL(10,2) NOT NULL -- 价格,不允许为空``);``CREATE TABLE orders (` `id INT PRIMARY KEY NOT NULL, -- 主键,不允许为空` `customer_id INT NOT NULL, -- 客户ID,不允许为空` `product_id INT NOT NULL, -- 产品ID,不允许为空` `price DECIMAL(10,2) NOT NULL, -- 价格,不允许为空` `status INT NOT NULL, -- 订单状态,整数类型,不允许为空。0代表待支付,1代表已支付,2代表已退款` `create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP, -- 创建时间,默认为当前时间` `pay_time TIMESTAMP -- 支付时间,可以为空``);``"""`` ``def get_sql_completion(messages, model=model):` `"""` `使用 OpenAI 的 Chat API 来生成完成的 SQL 查询语句。` ` 参数:` `- messages: 一个包含用户消息和系统消息的列表,用于上下文对话。` `- model: 使用的 OpenAI 模型的名称,默认为环境变量中定义的模型。` ` 返回:` `- 生成的 SQL 查询语句。` `"""` `response = openai.ChatCompletion.create(` `model=model,` `messages=messages,` `temperature=0, # 模型输出的随机性,0 表示随机性最小` `tools=[{ # 摘自 OpenAI 官方示例 https://github.com/openai/openai-cookbook/blob/main/examples/How_to_call_functions_with_chat_models.ipynb` `"type": "function",` `"function": {` `"name": "ask_database",` `"description": "Use this function to answer user questions about business. \` `Output should be a fully formed SQL query.",#使用此功能可以回答用户有关业务的问题\输出应该是完全格式的SQL查询。` `"parameters": {` `"type": "object",` `"properties": {` `"query": {` `"type": "string",` `#SQL查询提取信息以回答用户的问题。SQL应该使用以下数据库架构编写:\` `#查询应以纯文本形式返回,而不是以JSON形式返回。查询应该只包含SQLite支持的语法。` `"description": f"""` `SQL query extracting info to answer the user's question.`` SQL should be written using this database schema:` `{database_schema_string}` `The query should be returned in plain text, not in JSON.` `The query should only contain grammars supported by SQLite.` `""",` `}` `},` `"required": ["query"],` `}` `}` `}],` `)` `return response.choices[0].message`` ``# 创建内存中的SQLite数据库连接``conn = sqlite3.connect(':memory:')``cursor = conn.cursor()`` ``# 执行数据库表创建语句``for statement in database_schema_string.split(';'):` `cursor.execute(statement)`` ``# 插入模拟数据``mock_data = [` `(1, 1001, 'TSHIRT_1', 50.00, 0, '2023-10-12 10:00:00', None),` `(2, 1001, 'TSHIRT_2', 75.50, 1, '2023-10-16 11:00:00', '2023-08-16 12:00:00'),` `(3, 1002, 'SHOES_X2', 25.25, 2, '2023-10-17 12:30:00', '2023-08-17 13:00:00'),` `(4, 1003, 'HAT_Z112', 60.75, 1, '2023-10-20 14:00:00', '2023-08-20 15:00:00'),` `(5, 1002, 'WATCH_X001', 90.00, 0, '2023-10-28 16:00:00', None)``]`` ``for record in mock_data:` `cursor.execute('''\` `INSERT INTO orders (id, customer_id, product_id, price, status, create_time, pay_time)` `VALUES (?, ?, ?, ?, ?, ?, ?)` `''', record)`` ``# 提交事务``conn.commit()`` ``def ask_database(query):` `"""` `执行 SQL 查询并返回结果。` ` 参数:` `- query: 要执行的 SQL 查询语句。` ` 返回:` `- 查询结果。` `"""` `cursor.execute(query)` `records = cursor.fetchall()` `return records`` ``def test_promopt():` `"""` `测试通过自然语言询问来生成并执行 SQL 查询的功能。` `"""` `prompt = "统计每月每件商品的销售额"` `# prompt = "这星期消费最高的用户是谁?他买了哪些商品? 每件商品买了几件?花费多少?"` `messages = [` `{"role": "system", "content": "基于 order 表回答用户问题"},` `{"role": "user", "content": prompt}` `]` `response = get_sql_completion(messages)` `print(response)` `conn.close()`` ``def test_promopt_result():` `"""` `测试自然语言询问的更复杂场景,包括对数据库操作的调用和日志记录。` `"""` `prompt = "统计每月每件商品的销售额"` `# prompt = "这星期消费最高的用户是谁?他买了哪些商品? 每件商品买了几件?花费多少?"` `messages = [` `{"role": "system", "content": "基于 order 表回答用户问题"},` `{"role": "user", "content": prompt}` `]` `response = get_sql_completion(messages)` `if response.content is None:` `response.content = "null"` `messages.append(response)` `logging.info("====Function Calling====")` `logging.info(response)`` ` `if response.tool_calls is not None:` `tool_call = response.tool_calls[0]` `if tool_call.function.name == "ask_database":` `arguments = tool_call.function.arguments` `args = json.loads(arguments)` `logging.info("====SQL====")` `logging.info(args["query"])` `result = ask_database(args["query"])` `logging.info("====DB Records====")` `logging.info(result)`` ` `messages.append({` `"tool_call_id": tool_call.id,` `"role": "tool",` `"name": "ask_database",` `"content": str(result)` `})` `response = get_sql_completion(messages)` `logging.info("====最终回复====")` `logging.info(response.content)` `conn.close()`` `` ``if __name__ == '__main__':` `test_promopt_result()
输出:
`2024-05-31 23:12:38,331 - INFO - ====Function Calling====``2024-05-31 23:12:38,332 - INFO - {` `"role": "assistant",` `"content": "null",` `"tool_calls": [` `{` `"id": "call_zhket5tQwLB9jGukvB2GpfMX",` `"type": "function",` `"function": {` `"name": "ask_database",` `"arguments": "{\"query\":\"SELECT strftime('%Y-%m', create_time) AS month, product_id, SUM(price) AS total_sales FROM orders WHERE status = 1 GROUP BY month, product_id;\"}"` `}` `}` `]``}``2024-05-31 23:12:38,334 - INFO - ====SQL====``2024-05-31 23:12:38,334 - INFO - SELECT strftime('%Y-%m', create_time) AS month, product_id, SUM(price) AS total_sales FROM orders WHERE status = 1 GROUP BY month, product_id;``2024-05-31 23:12:38,335 - INFO - ====DB Records====``2024-05-31 23:12:38,335 - INFO - [('2023-10', 'HAT_Z112', 60.75), ('2023-10', 'TSHIRT_2', 75.5)]``2024-05-31 23:12:41,284 - INFO - ====最终回复====``2024-05-31 23:12:41,285 - INFO - 每月每件商品的销售额统计如下:`` ``- 2023年10月:` `- 商品ID:HAT_Z112,销售额:60.75` `- 商品ID:TSHIRT_2,销售额:75.5`
在以上示例中,通过调用函数实现了对数据库的查询。这样做不仅代码更加简洁易读,还方便了查询逻辑的复用和维护。
四、实际应用案例
-
电商平台的商品查询:在电商平台中,商品查询是非常频繁的操作。通过Function Calling,可以将不同条件的商品查询封装成函数,例如按价格区间、按分类、按销量排序等,大大提高了查询的灵活性和效率。
-
用户管理系统:在用户管理系统中,可以将用户的增删改查操作封装成函数,例如根据用户ID查询、按注册时间排序、批量删除用户等,使系统更易于维护和扩展。
-
数据分析系统:在数据分析系统中,常常需要对大量数据进行复杂查询和统计。通过Function Calling,可以将常用的统计分析操作封装成函数,例如按时间段统计销售额、按地区统计用户数量等,提高了数据处理的效率和准确性。
五、总结
Function Calling查询数据库作为一种新兴的技术手段,正在逐渐受到开发者的青睐。它不仅简化了数据库查询操作,提高了代码的可读性和复用性,还增强了系统的安全性和维护性。在未来,随着数据库技术的不断发展,相信Function Calling将会在更多领域发挥重要作用,助力企业实现更高效的数据处理和决策支持。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。