LangChain系列文章
- LangChain 实现给动物取名字，
- LangChain 2模块化prompt template并用streamlit生成网站 实现给动物取名字
- LangChain 3使用Agent访问Wikipedia和llm-math计算狗的平均年龄
- LangChain 4用向量数据库Faiss存储，读取YouTube的视频文本搜索Indexes for information retrieve
- LangChain 5易速鲜花内部问答系统
- LangChain 6根据图片生成推广文案HuggingFace中的image-caption模型
- LangChain 7 文本模型TextLangChain和聊天模型ChatLangChain
- LangChain 8 模型Model I/O：输入提示、调用模型、解析输出
- LangChain 9 模型Model I/O 聊天提示词ChatPromptTemplate, 少量样本提示词FewShotPrompt
- LangChain 10思维链Chain of Thought一步一步的思考 think step by step
- LangChain 11实现思维树Implementing the Tree of Thoughts in LangChain’s Chain
- LangChain 12调用模型HuggingFace中的Llama2和Google Flan t5
- LangChain 13输出解析Output Parsers 自动修复解析器
- LangChain 14 SequencialChain链接不同的组件
- LangChain 15根据问题自动路由Router Chain确定用户的意图
- LangChain 16 通过Memory记住历史对话的内容
- LangChain 17 LangSmith调试、测试、评估和监视基于任何LLM框架构建的链和智能代理
- LangChain 18 LangSmith监控评估Agent并创建对应的数据库
- LangChain 19 Agents Reason+Action自定义agent处理OpenAI的计算缺陷
- LangChain 20 Agents调用google搜索API搜索市场价格 Reason Action：在语言模型中协同推理和行动
- LangChain 21 Agents自问自答与搜索 Self-ask with search
- LangChain 22 LangServe用于一键部署LangChain应用程序
- LangChain 23 Agents中的Tools用于增强和扩展智能代理agent的功能
- LangChain 24 对本地文档的搜索RAG检索增强生成Retrieval-augmented generation
1. LangChain提供与SQL数据库交互的工具：
- 根据自然语言用户问题构建SQL查询
- 使用链式查询创建和执行SQL数据库查询
- 使用代理与SQL数据库交互，实现强大灵活的查询
企业数据通常存储在SQL数据库中。
LLM使得可以使用自然语言与SQL数据库进行交互。
LangChain提供SQL链和代理，以基于自然语言提示构建和运行SQL查询。
这些与SQLAlchemy支持的任何SQL方言兼容（例如MySQL、PostgreSQL、Oracle SQL、Databricks、SQLite）。
它们可以实现以下用例：
- 生成基于自然语言问题运行的查询
- 创建能够根据数据库数据回答问题的聊天机器人
- 基于用户想要分析的见解构建自定义仪表板
2. 代码实现
以下示例将使用Chinook数据库的SQLite连接。
按照安装步骤在与此笔记本相同的目录中创建Chinook.db：
- 将此文件保存到与Chinook_Sqlite.sql相同的目录中
- 运行
sqlite3 Chinook.db - 运行
.read Chinook_Sqlite.sql - 测试
SELECT * FROM Artist LIMIT 10;
运行过程如下
zgpeace@zgpeaces-MBP ~/Workspace/LLM/langchain-llm-app ‹node-› ‹› (develop*)
╰─$ cd sql
╭─zgpeace@zgpeaces-MBP ~/Workspace/LLM/langchain-llm-app/sql ‹node-› ‹› (develop*)
╰─$ sqlite3 Chinook.db
SQLite version 3.22.0 2018-01-22 18:45:57
Enter ".help" for usage hints.
sqlite> .read Chinook_Sqlite.sql
Error: near line 1: near "": syntax error
sqlite> SELECT * FROM Artist LIMIT 10;
1|AC/DC
2|Accept
3|Aerosmith
4|Alanis Morissette
5|Alice In Chains
6|Antônio Carlos Jobim
7|Apocalyptica
8|Audioslave
9|BackBeat
10|Billy Cobham
现在，Chinhook.db就在我们的目录中。
让我们创建一个SQLDatabaseChain来创建和执行SQL查询。
chain_sql.py在这段代码中，首先加载环境变量（可能用于数据库凭证或其他设置）。然后，从一个SQLite数据库创建一个SQLDatabase实例，这允许与该数据库进行交互。接着创建一个OpenAI模型实例，用于处理自然语言查询。最后，结合语言模型和数据库创建一个SQLDatabaseChain实例，用于执行自然语言形式的数据库查询。代码的最后一部分运行一个查询来获得数据库中员工的数量。
# 导入dotenv库，用于从.env文件加载环境变量
import dotenv
# 加载.env文件中的环境变量
dotenv.load_dotenv()
# 导入OpenAI模块，用于与OpenAI语言模型交互
from langchain.llms import OpenAI
# 导入SQLDatabase工具，用于与SQL数据库进行交互
from langchain.utilities import SQLDatabase
# 导入SQLDatabaseChain，用于创建一个结合了语言模型和数据库的处理链
from langchain_experimental.sql import SQLDatabaseChain
# 从指定的数据库URI创建SQL数据库实例，此处使用的是SQLite数据库
db = SQLDatabase.from_uri("sqlite:///Chinook.db")
# 创建OpenAI模型实例，设置temperature为0（完全确定性输出），并启用详细日志记录
llm = OpenAI(temperature=0, verbose=True)
# 创建SQL数据库链，结合了语言模型和数据库，用于处理基于数据库的查询
db_chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)
# 使用数据库链运行查询，此处查询“有多少员工？”
db_chain.run("How many employees are there?")
运行结果如下：
╭─zgpeace@zgpeaces-MBP ~/Workspace/LLM/langchain-llm-app/sql ‹node-› ‹› (develop*)
╰─$ python chain_sql.py
> Entering new SQLDatabaseChain chain...
How many employees are there?
SQLQuery:SELECT COUNT(*) FROM "Employee";
SQLResult: [(8,)]
Answer:There are 8 employees.
> Finished chain.
代码
https://github.com/zgpeace/pets-name-langchain/tree/develop
参考
https://python.langchain.com/docs/use_cases/qa_structured/sql
