Text-to-SQL 工具Vanna + MySQL本地部署 | 数据库对话机器人

已于 2024-03-14 10:51:12 修改
阅读量1.7w 收藏 125
点赞数 49
分类专栏： ChatGPT工具 文章标签： 数据库 mysql 机器人 vanna 本地部署
于 2024-03-13 11:22:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/sinat_29950703/article/details/136658639
版权

今天我们来重点研究与实测一个开源的Text2SQL优化框架 – Vanna
在这里插入图片描述

1. Vanna 简介【Text-to-SQL 工具】

Vanna 是一个基于 MIT 许可的开源 Python RAG（检索增强生成）框架，用于 SQL 生成和相关功能。它允许用户在数据上训练一个 RAG “模型”，然后提问问题，这将生成在数据库上运行的 SQL 查询语句，并将查询结果通过表格和图表的方式展示给用户。

简单的说，Vanna是一个开源的、基于Python的、用于SQL自动生成与相关功能的RAG（检索增强生成）框架。

基本特点：

  • 官网：https://vanna.ai/
  • 开放源代码：https://github.com/vanna-ai/vanna
  • 基于Python语言。可通过PyPi包vanna在自己项目中直接使用
  • RAG框架。RAG最典型的应用是 私有知识库问答，通过Prompt注入私有知识以提高LLM回答的准确性。但RAG本身是一种Prompt增强方案，完全可以用于其他LLM应用场景。

2. Vanna工作原理

借助LLM实现一个最简单的、基于Text2SQL的数据库对话机器人本身原理是比较简单的：
在这里插入图片描述
Vanna则是借助了相对简单也更易理解的RAG方法，通过检索增强来构建Prompt，以提高SQL生成的准确率：
在这里插入图片描述
从这张图可以了解到，Vanna的关键原理为：

借助数据库的DDL语句、元数据（数据库内关于自身数据的描述信息）、相关文档说明、参考样例SQL等训练一个RAG的“模型”（embedding+向量库）；
并在收到用户自然语言描述的问题时，从RAG模型中通过语义检索出相关的内容，进而组装进入Prompt，然后交给LLM生成SQL。

3. 使用步骤

第一步：在你的数据上训练一个RAG“模型”

把DDL/Schemas描述、文档、参考SQL等交给Vanna训练一个用于RAG检索的“模型”（向量库）。
在这里插入图片描述
本文尝试了1、3、4的方法，记住这几种方法，下面会用到。

第二步：提出“问题”，获得回答

RAG模型训练完成后，可以用自然语言直接提问。Vanna会利用RAG与LLM生成SQL，并自动运行后返回结果。

4. vanna的扩展与定制化

从上述的vanna原理介绍可以知道，其相关的三个主要基础设施为：

  • Database，即需要进行查询的关系型数据库
  • VectorDB，即需要存放RAG“模型”的向量库
  • LLM，即需要使用的大语言模型，用来执行Text2SQL任务

在这里插入图片描述
Vanna的设计具备了很好的扩展性与个性化能力，能够支持任意数据库、向量数据库与大模型。

4.1 自定义LLM与向量库

默认情况下，Vanna支持使用其在线LLM服务（对接OpenAI）与向量库，可以无需对这两个进行任何设置，即可使用。因此使用Vanna最简单的原型只需要五行代码：

import vanna
from vanna.remote import VannaDefault
vn = VannaDefault(model='model_name', api_key='api_key')
vn.connect_to_sqlite('https://vanna.ai/Chinook.sqlite')
vn.ask("What are the top 10 albums by sales?")

注意：使用Vanna.AI的在线LLM与向量库服务，需要首先到 https://vanna.ai/ 去申请账号，具体请参考下一部分实测。

如果需要使用自己本地的LLM或者向量库，比如使用自己的OpenAI账号与ChromaDB向量库，则可以扩展出自己的Vanna对象，并传入个性化配置即可。

from vanna.openai.openai_chat import OpenAI_Chat
from vanna.chromadb.chromadb_vector import ChromaDB_VectorStore

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

vn = MyVanna(config={'api_key': 'sk-...', 'model': 'gpt-4-...'})

这里的OpenAI_Chat和ChromaDB_VectorStore是Vanna已经内置支持的LLM和VectorDB。
如果你需要支持 没有内置支持的LLM和vectorDB，
则需要首先 扩展出自己的LLM类与VectorDB类，
实现必要的方法（具体可参考官方文档），
然后再 扩展出自己的Vanna对象：
在这里插入图片描述

4.2 自定义关系型数据库

Vanna默认支持Postgres，SQL Server，Duck DB，SQLite等关系型数据库，可直接对这一类数据库进行自动访问，实现数据对话机器人。
但如果需要连接自己企业的其他数据库，比如企业内部的Mysql或者Oracle，自需要定义一个个性化的run_sql方法，并返回一个Pandas Dataframe即可。具体可参考下方的实测代码。

5. 实测：数据库对话机器人

这里我们使用Vanna快速构建一个与数据库对话的AI智能体，直观的感受Vanna的工作过程与效果。

【0 - 选择基础环境】

  • LLM（大模型）
    选择Vanna.AI在线提供的OpenAI服务，真实环境中建议使用自己的LLM。
  • VectorDB（向量数据库）
    选择Vanna.AI在线提供的VectorDB服务，真实环境中可根据条件灵活选择。
  • RDBMS（关系型数据库）
    我们选择本地测试环境中的一个MySQL数据库，其中存放了一些测试的社区用户信息数据customer：
    在这里插入图片描述

我用DBeaver工具来管理MySQL数据库，创建数据可以用SQL语句CREATE 或 导入csv
导入csv可以参考【数据库】DBeaver链接MariaDB建表，导入csv数据这篇博客

【1 - 申请Vanna账号】

由于我们使用了Vanna.AI的在线LLM与vectorDB服务。因此首先在Vanna.AI申请一个账号，并获得API-key（红框中部分 / 代码中隐藏部分）：
在这里插入图片描述
设置一个Model name，用于在线的RAG model：
我的设置为：community
在这里插入图片描述
注意：与新数据库对话，需要重新设置一个Model name

【2 - 构建Vanna对象】

pip install vanna

使用pip安装vanna库后，首先使用如下代码创建默认的Vanna对象：

import vanna
from vanna.remote import VannaDefault
api_key = '上面获得的API-key'
vanna_model_name = '上面设置的model-name( 我的是community )'
vn = VannaDefault(model=vanna_model_name, api_key=api_key)

由于我们需要使用自己的本地Mysql数据库，需要定义一个run_sql方法
设置好MySQL数据库的user 、password、host 和 database

（这个database名称是DBeaver工具customer上方的数据库名称Community，RAG model的名称是网页上设置的 community，首字母是小写的，各位别抄错啦！按自己的配置来哈！）

import pandas as pd
import mysql.connector

def run_sql(sql: str) -> pd.DataFrame:
    cnx = mysql.connector.connect(user='root',password='111000',host='localhost',database='Community')
    cursor = cnx.cursor()
    cursor.execute(sql)
    result = cursor.fetchall()
    columns = cursor.column_names
    df = pd.DataFrame(result, columns=columns)
    return df

将自定义的方法设置到上面创建的Vanna对象：

vn.run_sql = run_sql
vn.run_sql_is_set = True

【3 - 训练RAG Model】

这里我们先采用Vanna提供的一种更简单的方式：通过数据库的元数据信息构建训练计划(plan），然后交给Vanna生成RAG model：

df_information_schema = vn.run_sql("SELECT * FROM INFORMATION_SCHEMA.COLUMNS where table_schema = 'chatdata'")
plan = vn.get_training_plan_generic(df_information_schema)
vn.train(plan=plan)

我构建计划(plan)的方式失败！
故通过 DDL语句 和 SQL问答对 的方式来构建。

表和列名的注释很重要！
表和列名的注释很重要！
表和列名的注释很重要！
有助于vn识别语义，有的列名英文不是那么明确，可能会导致vn生成SQL出错。

比如身份证号的英文可以是id_number，我这里是id_card
比如性别的英文可以是sex，我这里是gender。

当时我的表还没添加注释，所以多加了CREATE TABLE的操作，如果各位同学在创建表时，已添加了注释，下面这句CREATE TABLE就可以省略了。

需要注意的是，下面的训练代码只需要执行一次即可。

vn.train(ddl="""
CREATE TABLE IF NOT EXISTS customer (
    name INT PRIMARY KEY COMMENT '姓名', 
    gender INT COMMENT '性别(男性=1/女性=2)', 
    id_card VARCHAR(100) COMMENT '身份证',
    mobile VARCHAR(100) COMMENT '手机', 
    nation VARCHAR(10) COMMENT '民族', 
    residential_city VARCHAR(100) COMMENT '居住城市',
) COMMENT='customer' CHARACTER SET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
""")

vn.train(question='年龄最大的是哪个？',sql='SELECT name FROM customer ORDER BY age DESC LIMIT 1')

可能直接给个问答对即可。引导vn去customer表中查询。
不行的话这两句vn.train都加上。

【4 - 测试：与数据库对话】

以上的准备工作完成后，就可以与你的关系型数据库对话了：

vn.ask('统计不同民族数量？')

控制台可以看到输出的结果，包含了SQL和执行结果：
在这里插入图片描述
并且会弹出一个网页，显示执行的结果
在这里插入图片描述
【5 - 前端Web APP测试】
Vanna提供了一个内置的基于Flask框架的Web APP，可以直接运行后，通过更直观的界面与你的数据库对话，并且具有图表可视化的效果，还内置了简单的RAG Model数据的管理功能。通过这种方式启动web App：

from vanna.flask import VannaFlaskApp
app = VannaFlaskApp(vn)
app.run()

通过默认的端口访问http://localhost:8084，即可与你的数据库对话，界面如下：
在这里插入图片描述
在这里插入图片描述
以上，我们深入了解了Vanna这样一个基于Python与RAG的Text2SQL交互式数据分析框架。借助这样的框架，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。

此外，Vanna也提供了一些有用的关联功能：

  • RAG model数据的查询与管理API
  • 基于Plotly的结果可视化API
  • 前端Web APP的简单参考实现

在实际测试中，我们也发现Vanna仍然存在一些问题，

  • 大部分问题和我们交给Vanna训练RAG model的信息不足
  • 倾向于一次性生成，不便基于上一句SQL进行调优[增、删、改]

根据Vanna.ai官方的未来愿景规划，Vanna旨在成为未来创建AI数据分析师的首选工具。并在准确性（Text2SQL的最大挑战）、交互能力（能够实现交互协作，比如要人类做进一步澄清、解释答案、甚至提出后续问题），与自主性（主动访问必要的系统和数据甚至触发工作流程等）三个方面更加接近人类数据分析师，我们希望Vanna未来能够展示更强大的能力。

6. 训练技巧

利用好 SQL问答对

  • 没添加SQL问答对之前
    问：居住在重庆市的人有哪些？
    答：SQL语句不够准确

    SELECT name 
FROM customer 
WHERE residential_city = '重庆';

    在这里插入图片描述

  • 添加SQL问答对之后
    问：居住在重庆市的人有哪些？
    答：SQL语句可以模糊匹配，可以得到准确的查询结果

    SELECT name 
FROM customer 
WHERE residential_city LIKE '%重庆%';

    在这里插入图片描述

代码自取

import vanna
from vanna.remote import VannaDefault
from vanna.flask import VannaFlaskApp
import pandas as pd
import mysql.connector

api_key = '7acxxx68c'
vanna_model_name = 'community'
vn = VannaDefault(model=vanna_model_name, api_key=api_key)

def run_sql(sql: str) -> pd.DataFrame:
    cnx = mysql.connector.connect(user='root',password='111000',host='localhost',database='Community')
    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

# vn.train(ddl="""
# CREATE TABLE IF NOT EXISTS customer (
#     name INT PRIMARY KEY COMMENT '姓名', 
#     gender INT COMMENT '性别(男性=1/女性=2)', 
#     id_card VARCHAR(100) COMMENT '身份证',
#     mobile VARCHAR(100) COMMENT '手机', 
#     nation VARCHAR(10) COMMENT '民族', 
#     residential_city VARCHAR(100) COMMENT '居住城市',
# ) COMMENT='customer' CHARACTER SET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
# """)

vn.train(question='年龄最大的是哪个？',sql='SELECT name FROM customer ORDER BY age DESC LIMIT 1')
vn.train(question='居住在重庆的人有哪些？',sql="SELECT name FROM customer WHERE residential_city LIKE '%重庆%'")


first_conversation_sql = vn.ask('居住在重庆的人有哪些？')
print(type(first_conversation_sql))

app = VannaFlaskApp(vn)
app.run()

【参考链接】
手把手教你本地部署开源 Text-to-SQL 工具：Vanna
Vanna：10分钟快速构建基于大模型与RAG的SQL数据库对话机器人

Text2Sql实战指南｜Vanna本地化部署并结合Dify
Asta__的博客
05-23 1255
《Text2Sql实战指南｜Vanna本地化部署并结合Dify》详细介绍了如何将Vanna与Dify结合，实现从自然语言到SQL查询的自动化处理。文章首先介绍了Vanna和Dify的功能，Vanna是一个基于AI的智能SQL生成工具，而Dify是一个低代码/无代码平台，两者的结合可以显著提高数据处理效率。接着，文章逐步指导了环境准备、向量数据库部署、模型框架选择、Vanna的安装与配置、Web界面启动、模型训练等步骤。最后，文章展示了如何通过FastAPI将Vanna封装为OpenAPI，并嵌入Dify中，
vanna+deepseekV3+streamlit本地化部署
beautybug1126的博客
03-12 2145
vanna是一个基于 MIT 许可的开源 Python RAG（检索增强生成）框架，专注于 SQL 生成和相关功能。它利用大型语言模型（LLM）和检索增强生成技术，将自然语言输入转换为 SQL 查询，允许用户通过自然语言与数据库交互，无需精通 SQL 语法即可提取数据中的有价值信息。
本地部署Vanna实战，快速解决NLP2SQL
最新发布
fengjian的博客
04-15 3万+
vanna可以结合自己的数据库以及向量库进行先训练后问答，这一块儿可以参考官网https://vanna.ai/docs/app/，官网还提供了使用 Vanna 构建一个网站应用程序或者一个应用程序接口（API）https://github.com/vanna-ai/vanna-flask，欢迎大家一起探讨学习。
TEXT2SQL工具vanna本地化安装和应用
wengad的博客
05-10 9633
在待连接的mysql数据库的，demodb数据库中新建表和记录，当然可以在不同数据库里面创建表，并插入不同的数据，根据实际情况可以调整SQL，并调整后续步骤的python代码中连接数据库的内容。这里的脚本chroma使用的local的模型，运行了以下脚本后，会在运行的目录下生成chroma.sqlite3文件，存放训练的数据，别删了，删了那训练数据就没了，要重新来。这里使用的是centos7 ，并有一块11G显存的GeForce GTX 1080 Ti，本文编制的时候，使用的是vanna 0.5.4版本。
vanna-ai本地部署（qdrant向量库+mysql数据库+qwen-plus llm）
关于背包问题动态规划代码的理解和应用——
02-22 2725
Vanna AI 是一个多功能的数据分析和智能决策平台，旨在帮助企业通过自然语言与数据进行交互。它通过 自动生成 SQL 查询、智能报告、数据可视化等功能，可以大大提高工作效率，并支持 无编程知识的用户 直接与数据进行交互。Vanna AI 非常适合需要大量数据分析和报告生成的企业，特别是在 客户关系管理（CRM）、销售分析、市场研究等领域。本博客主要展示如何本地部署vanna。
开源的Text-to-SQL工具WrenAI
rkmhr_sef的博客
01-24 988
WrenAI是一个开源的Text-to-SQL工具，旨在通过自然语言交互界面，帮助用户更便捷地查询数据库。
DB-GPT：蚂蚁开源的Text-to-SQL利器！！
musicml的博客
06-06 3972
▼最近直播超级多，预约保你有收获—1—AI 原生数据应用时代进入数据3.0时代，大模型和数据库已经成为构建应用程序的关键基石。企业和开发者都希望能够使用更简洁的代码和更智能的方式来释放数据的价值。在过去，我们需要编写大量代码才能完成数据分析任务，但现在我们可以借助 AI 大模型的力量，通过自然语言交互轻松获取数据洞察。DB-GPT 正是为了实现这一目标而诞生的，它是蚂蚁开源的 AI 原生数据应用开...
Text-to-SQL方法研究
weixin_42254289的博客
09-27 2122
计算预测sql和示例sql之间的距离相似度。与基于上下文学习的方法不同,基于微调的方法通过在Text-to-SQL数据集上微调预训练语言模型的参数,让模型习得从自然语言问题生成SQL的能力。基于上下文学习的Text-to-SQL方法利用大语言模型强大的少样本学习能力,通过设计提示prompt使模型直接生成SQL,而无需微调模型参数。，论文中先对问题中的领域特定词进行掩码,然后基于嵌入式欧氏距离对候选示例进行排序,同时还考虑了候选SQL的相似度,最终选择兼顾问题和SQL相似度的高质量示例。
Text-to-SQL
qq_42341984的博客
04-18 633
Text-to-SQL 1 Single table（WikiSQL） 1.1 Encode 1.1.1 NL和DB的交互（对齐） 预训练的方法 STRUG：https://blog.youkuaiyun.com/qq_42341984/article/details/115615653 TaBert：学习自然语言描述和数据库的（半）结构化信息的联合表示 https://www.sohu.com/a/413894298_657157 GRAPPA：ICLR 2021 在文本数据和表数据的联合表示中学
【论文阅读】让数据库听懂人话（Text-to-SQL）
梦想破三的奔三狗
12-30 1万+
论文标题: 在跨领域数据库中引入中间表示来实现复杂Text2SQL 英文标题: Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate Representation 论文下载链接: https://arxiv.org/abs/1905.08205 论文项目代码: GitHub@IRNet 摘要 本文提出一种名为IRNet的神经方法解决复杂的, 跨领域的(cross-domain) Text-to-SQL任务; IR
text_to_sql_search.cr：将文本搜索转换为SQL WHERE子句
02-04
text_to_sql_search.cr：将文本搜索转换为SQL WHERE子句
text-to-sql:text生成sql语句
03-29
文字转SQL 介绍 刚开始，由我自己整理权限脚本... 只有很少数据的时候，还能接受手动复制粘贴... 在之后的功能开发中，发现需要整理的权限脚本越来越多... 可能需要花费半小时或一个小时的时间去整理脚本，还生怕会出错... 于是，就有了这个小工具... 现在，就可以正大光明的偷懒啦〜 使用 整理成如src下permission.txt的形式，试试吧... 菜单等级=等级（1 2 3），父菜单码 菜单代码菜单名称 源 level = 1 menu_activity_home 活动管理 /activity level = 2 , menu_activity_home menu_activity_lottery_list 抽奖活动管理 /activity/lotteryList menu_activity_groupon_list 团购活动管理 /activity/grouponList m
Text-to-SQL 工具Vanna进阶|数据库对话机器人的多轮对话
sinat_29950703的博客
03-13 2033
跟数据库对话机器人对话，我可不止一个问题。可能基于第一句问话，还有第二句、第三句问话。。。第N句对话。所以本文测试了多轮对话功能。单轮对话的环境搭建参考博客我的数据是这样。
深入了解Text2SQL开源项目（Chat2DB、SQL Chat 、Wren AI 、Vanna）
m0_74823983的博客
01-18 2465
在数据驱动决策的时代，将自然语言查询转化为结构化查询语言（SQL）的能力变得日益重要。无论是小型创业公司还是大型企业，都希望能够更轻松地从海量的数据中挖掘出有价值的见解。然而，对于那些不熟悉SQL或者数据库架构的用户来说，直接编写复杂的查询语句往往是一个巨大的挑战。正是为了解决这一问题，Text2SQL技术应运而生，它允许用户通过简单的自然语言描述来获取他们所需的数据库信息。近年来，随着人工智能和机器学习领域的迅速发展，Text2SQL技术也取得了显著的进步。
Text-to-SQL小白入门（一）综述学习
junewgl
08-01 3473
本文主要介绍了Text-to-SQL研究的定义、意义、研究方法以及未来展望，主要是对Text-to-SQL领域进行一个初步的认识和了解，适合初学者入门了解。
Vanna使用ollama分析本地MySQL数据库
Baker的博客
05-28 6290
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。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。
Vanna使用ollama分析本地MySQL数据库 加入redis保存训练记录
大白菜代码的博客
11-17 2265
这是一个基于 Ollama 和 Redis 的智能 SQL 问答系统，可以将自然语言问题转换为 SQL 查询语句。基于 LLM (Large Language Model) 的自然语言转 SQL支持训练数据的持久化存储提供 REST API 接口支持数据可视化生成该系统通过结合 LLM 和传统数据库技术，实现了一个灵活的自然语言到 SQL 的转换系统。其模块化设计和可扩展性使其适合在实际业务场景中使用和扩展。模块化设计可扩展架构完整的训练流程持久化存储支持性能优化。
NL2SQL进阶系列(3)：Data-Copilot、Chat2DB、Vanna Text2SQL优化框架开源应用实践详解[Text2SQL]
丨汀、的博客
04-13 4594
NL2SQL进阶系列(3)：Data-Copilot、Chat2DB、Vanna Text2SQL优化框架开源应用实践详解[Text2SQL]
vanna
03-11
<think>好的，我现在需要处理用户关于Vanna的问题。首先，用户提到了Vanna，并引用了一个示例代码，说明用户可能想了解如何使用Vanna进行数据库查询。用户的问题可能集中在如何设置和使用Vanna，特别是如何快速开始。 首先，我需要回忆Vanna的基本信息。Vanna是一个Python库，用于通过自然语言生成SQL查询。它默认使用OpenAI的LLM和在线向量库，所以用户不需要自己配置这些，只需要提供API密钥和模型名称即可。用户提供的示例代码显示，只需五行代码就能连接数据库并提问，这可能让用户觉得入门简单。 接下来，我需要确保回答符合用户的要求。用户希望回答结构清晰，分步骤解决问题，并保证真实可靠。根据用户提供的引用，Vanna的默认设置确实支持使用其在线服务，无需额外配置。因此，我需要详细说明安装、初始化、连接数据库和提问的步骤，每个步骤给出代码示例，并解释参数的作用，比如model和api_key的来源。 另外，用户要求生成相关问题，我需要考虑用户可能进一步询问的内容。例如，Vanna支持的数据库类型，如何自定义模型，处理复杂查询的方法，以及本地部署的可能性。这些问题都是用户在使用Vanna过程中可能遇到的后续问题。 需要注意的是，回答中所有行内数学表达式必须用$...$，但这里可能用不上。不过如果有涉及公式的地方，比如性能分析中的时间复杂度，可能需要使用，但当前问题主要涉及代码和步骤，可能不需要数学表达式。但独立公式需要$$...$$，同样可能不适用。 另外，用户提到“使用中文回答”，所以整个回答必须用中文，并且引用标识要自然添加。在引用用户提供的示例时，需要在末尾加上[^1]。例如，在说明Vanna默认支持在线LLM服务时，引用该部分。 最后，生成的相关问题需要围绕Vanna的使用场景、配置、扩展功能等方面，帮助用户深入了解。例如，支持哪些数据库、自定义模型、处理复杂查询、本地部署等。这些问题应该能引导用户进一步探索Vanna的功能。 总结回答结构： 1. 简要介绍Vanna及其用途。 2. 分步骤说明如何使用Vanna，包括安装、初始化、连接数据库、提问。 3. 每个步骤给出代码示例和解释。 4. 生成相关问题，覆盖用户可能关心的扩展内容。 需要确保代码示例正确，特别是用户提供的示例中连接SQLite数据库的URL是否正确，是否需要本地文件还是支持远程连接。根据引用内容，示例中使用的是https URL，可能Vanna支持远程SQLite连接，或者是否有其他数据库的支持方式。需要确认这一点，避免给出错误信息。例如，可能用户需要先下载数据库文件到本地，或者Vanna确实支持远程SQLite连接。在回答中应指出连接方式，比如使用connect_to_sqlite函数并传入路径或URL。 另外，用户可能对API密钥和模型名称的来源有疑问，需要说明如何获取这些信息，例如在Vanna的注册流程中获取模型名称，而API密钥来自OpenAI。或者Vanna是否提供自己的API密钥？根据引用内容，示例中的api_key可能是Vanna的API key还是OpenAI的？需要明确。根据引用中的描述，“默认情况下，Vanna支持使用其在线LLM服务（对接OpenAI）”，可能意味着用户需要提供OpenAI的API key，而model_name可能是Vanna特定的模型名称。或者，Vanna可能提供自己的服务，用户需要在其平台注册获取model和api_key。这点可能需要进一步确认，但根据示例中的代码，model和api_key是创建VannaDefault实例的参数，可能用户需要在Vanna的平台注册账户，获取这些凭证，而Vanna的后端对接了OpenAI。因此，在回答中需要提示用户需要注册Vanna并获取相应的model名称和API key，或者如果直接使用OpenAI的API key，需要说明。 此外，可能存在的错误点是用户是否必须使用SQLite，或者是否支持其他数据库如PostgreSQL、MySQL等。根据引用中的connect_to_sqlite函数，可能Vanna默认支持SQLite，但可能还有其他连接方法。需要指出Vanna可能支持其他数据库，但示例中使用的是SQLite，用户可以根据文档连接其他类型。 在生成的问题中，可以包括如何连接到其他数据库，如何处理更复杂的查询，是否支持本地部署LLM等，这些都是用户可能感兴趣的点。 最后，确保回答中没有使用Markdown格式，所有代码块用三个反引号包围，并正确标注语言为python。同时，检查LaTeX语法是否正确，但当前问题可能不涉及数学公式，所以可能不需要使用。</think>### 关于Vanna的使用说明 Vanna是一个基于自然语言生成SQL查询的Python库，默认集成了OpenAI的大语言模型（LLM）和在线向量库，无需额外配置即可快速使用。以下是基础使用方法： --- #### **1. 安装与初始化** 安装Vanna库并初始化模型： ```python pip install vanna ``` ```python import vanna from vanna.remote import VannaDefault # 初始化模型（需注册获取model_name和api_key） vn = VannaDefault(model="your_model_name", api_key="your_api_key") ``` --- #### **2. 连接数据库** 通过URL或本地路径连接数据库（示例为SQLite）： ```python # 连接远程SQLite数据库（或本地路径如'./Chinook.sqlite'） vn.connect_to_sqlite('https://vanna.ai/Chinook.sqlite') ``` --- #### **3. 通过自然语言提问** 直接输入问题生成SQL并返回结果： ```python # 提问并获取答案 response = vn.ask("What are the top 10 albums by sales?") print(response) ``` --- #### **4. 核心流程** 1. **自然语言解析**：Vanna将问题转换为SQL查询（依赖LLM）[^1]。 2. **数据库执行**：自动执行生成的SQL并返回结果。 3. **结果优化**：支持通过后续提问修正查询逻辑。 ---
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

华尔街的幻觉

你的鼓励将是我创作的最大动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值