在 Retrieval 或者 ReACT 的一些場景中，常常需要數據庫與人工智能結合。而 LangChain 本身就封裝了許多相關的內容，在其官方文檔-SQL 能力中，也有非常好的示例。
而其實現原理主要是通過 LLM 將自然語言轉換爲 SQL 語句，然後再通過 LLM 獲取執行的操作，最終生成一個答案和結論。
應用場景
在未出現人工智能，如果想要完成數據查詢與數據分析的工作，則需要相關人員有相應的數據庫的功底，而在 LangChain 結合大語言模型的過程中，應對這些問題則相當輕鬆——寫清晰的提示詞即可。
- 生成將基於自然語言問題運行的查詢。
在傳統的工作流程中，如果想要在數據庫中搜索一些信息，那麼就必須要掌握相應的數據庫技術，比如 SQL 語句查詢等，但是其本身有很高的學習成本。如果能用自然語言代替這個過程，則任何人都無需學習 SQL 語法，即可輕鬆進行數據的查詢。
- 根據數據庫數據回答問題的聊天機器人。
自然也可以做一個基於數據庫信息的問答機器人，比如產品經理以及一些業務人員，也可以輕鬆獲得數據庫的信息。
- 數據分析展示面板
之前常常會通過 SQL 完成一些數據分析的工作，並通過各種樣式的表格展示出來。此過程也可以通過人工智能完成。
實戰案例
需求說明
- 輸入查詢的需求，返回查詢的結果。
- 查詢的結果通過自然語言表述（選做）。
實現思路
對應源碼
實現輸入查詢的提示詞，返回查詢結果：
from langchain_community.utilities import SQLDatabase
db = SQLDatabase.from_uri("sqlite:///Chinook.db")
# 通過LLM 獲取查詢語句
from langchain.chains import create_sql_query_chain
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
from langchain_community.tools.sql_database.tool import QuerySQLDataBaseTool
# 執行查詢動作
execute_query = QuerySQLDataBaseTool(db=db)
# 獲取sql 查詢語句
write_query = create_sql_query_chain(llm, db)
# 先生成查詢語句，再執行查詢動作
chain = write_query | execute_query
response = chain.invoke({"question": "How many employees are there"})
print(response)
查詢結果轉換爲自然語言（更好讓人理解）：
from operator import itemgetter
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough
# 定義提示詞，其中有 question、query、result 三個變量
answer_prompt = PromptTemplate.from_template(
"""Given the following user question, corresponding SQL query, and SQL result, answer the user question.
Question: {question}
SQL Query: {query}
SQL Result: {result}
Answer: """
)
answer = answer_prompt | llm | StrOutputParser()
# query通過write_query鏈的執行結果獲取
# result 通過 execute_query鏈獲取
chain = (
RunnablePassthrough.assign(query=write_query).assign(
result=itemgetter("query") | execute_query
)
| answer
)
print(chain.invoke({"question": "How many employees are there"}))
解決數據庫表數據過多的問題
在實際使用過程中，如果數據庫表數據過多，可以限制使用的表名，以縮小查詢範圍，節省token
chain.invoke(SQLInputWithTables(question="xxx", table_names_to_use=['表a', '表b']))
總結
- 掌握 LangChain 完成數據庫操作的應用場景。
- 掌握通過 LangChain 完成數據庫查詢的能力。
- 掌握通過 LangChain 將結果轉換爲自然語言的能力。