构建一个可查询SQL数据的问答系统_搭建数据库查询系统-优快云博客

引言

构建一个可以在SQL数据库上运行的问答系统，需要通过模型生成查询结构化数据，与查询非结构化文本数据的方法有显著不同。这篇文章将指导你如何在数据库的表格数据上创建问答系统。我们将讨论使用链和代理的实现，这些系统允许我们对数据库中的数据提问并获得自然语言的答案。

主要内容

架构

大致步骤如下：

将问题转换为DSL查询：模型将用户输入转换为SQL查询。
执行SQL查询：运行查询。
回答问题：使用查询结果响应用户输入。

搭建环境

import getpass
import os
from langchain_community.utilities import SQLDatabase

# 安装必要的库
%pip install --upgrade --quiet langchain langchain-community langchain-openai faiss-cpu

# 设置API密钥
if not os.environ.get("OPENAI_API_KEY"):
    os.environ["OPENAI_API_KEY"] = getpass.getpass()

db = SQLDatabase.from_uri("sqlite:///Chinook.db")

使用链

链可以用来支持步骤可预测的应用。它可以把问题转换为SQL查询并执行查询。

from langchain.chains import create_sql_query_chain
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")
chain = create_sql_query_chain(llm, db)

response = chain.invoke({"question": "How many employees are there"})

执行和回答

from langchain_community.tools.sql_database.tool import QuerySQLDataBaseTool

execute_query = QuerySQLDataBaseTool(db=db)
write_query = create_sql_query_chain(llm, db)
chain = write_query | execute_query

chain.invoke({"question": "How many employees are there"})

使用代理

代理提供了更灵活的数据库交互方式，可以处理复杂查询并从多个错误中恢复。

from langchain_community.agent_toolkits import SQLDatabaseToolkit
from langchain_core.messages import SystemMessage

toolkit = SQLDatabaseToolkit(db=db, llm=llm)
tools = toolkit.get_tools()

system_message = SystemMessage(content=SQL_PREFIX)

agent_executor = create_react_agent(llm, tools, messages_modifier=system_message)

代码示例

for s in agent_executor.stream(
    {"messages": [HumanMessage(content="Which country's customers spent the most?")]}
):
    print(s)
    print("----")