Dotazování datasetu NYC Taxi pomocí SQL agenta
Databricks nabízí open source katalog samples, který obsahuje několik schémat. V tomto cvičení vytvoříš LangChain Databricks SQL agenta, propojíš ho se schématem nyctaxi a položíš mu otázku, jejíž zodpovězení vyžaduje SQL. Takový agent umožňuje provádět datovou analýzu a pokládat otázky nad daty pomocí SQL – i bez předchozí znalosti SQL.
Toto cvičení je součástí kurzu
Databricks with the Python SDK
Pokyny k cvičení
- Vytvoř objekt LangChain SQLDatabase ze schématu
nyctaxiv katalogusamplesv Databricks. - Vytvoř vlastní LangChain LLM pomocí modelu Databricks Meta Llama 3.
- Vytvoř LangChain Databricks SQL agenta s využitím vlastního LLM.
- Dotaž se Databricks SQL agenta.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Connect to the nyctaxi schema
db = SQLDatabase.from_databricks(
____="samples",
____="nyctaxi",
warehouse_id=warehouse_id)
# Create the custom LangChain LLM
meta_llm = ChatDatabricks(
____="databricks-meta-llama-3-3-70b-instruct",
max_tokens=100)
toolkit = SQLDatabaseToolkit(db=db, llm=meta_llm)
# Create the SQL agent
agent = create_sql_agent(llm=____, toolkit=toolkit, verbose=True, handle_parsing_errors=True)
# Query the Databricks SQL Agent
result = agent.____("what's the duration and distance of the longest trip?")
print(result)