如何提高SQL问答中的提示技巧

老铁们，今天咱们来聊聊如何在SQL问答中更好地进行提示，尤其是在使用create_sql_query_chain时。咱们主要聚焦于如何在提示信息中有效地获取与数据库相关的信息。

技术背景介绍

在自动生成SQL查询时，使用正确的提示策略可以显著提高生成SQL的准确率。特别是当你在处理不同方言的SQL数据库时，了解如何调整提示信息以适应特定的数据库方言、模式信息以及选择有效的few-shot示例非常重要。

原理深度解析

1. 方言特定的提示信息：根据使用的SQL方言定制提示信息。这在create_sql_query_chain和SQLDatabase中已经得到了很好的处理。

2. 格式化模式信息：使用SQLDatabase.get_context将数据库的模式信息插入到提示中，这是确保SQL查询有效的重要环节。

3. 构建与选择few-shot示例：通过在提示中加入自然语言问题与其对应的SQL查询示例，可以有效提升模型的表现。

实战代码演示

首先，安装所需的包并设置环境变量：

%pip install --upgrade --quiet langchain langchain-community langchain-experimental langchain-openai

from langchain_community.utilities import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///Chinook.db", sample_rows_in_table_info=3)
print(db.dialect)
print(db.get_usable_table_names())

使用特定方言创建SQL查询链：

from langchain.chains import create_sql_query_chain

chain = create_sql_query_chain(llm, db)
chain.get_prompts()[0].pretty_print()

优化建议分享

• 少用全列查询：在SQL提示中应避免使用SELECT *，而是具体到所需的列。
• 动态选择示例：为了保持提示的简洁，可以使用SemanticSimilarityExampleSelector选择与输入最相关的few-shot示例。

补充说明和总结

使用示例选择器来动态选择示例:

from langchain_community.vectorstores import FAISS
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings

example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples,
    OpenAIEmbeddings(),
    FAISS,
    k=5,
    input_keys=["input"],
)

老铁们，今天的技术分享就到这里，希望对大家有帮助。开发过程中遇到问题也可以在评论区交流~

—END—