LoslegenKostenlos starten

NYC-Taxi-Datensatz mit SQL-Agent abfragen

Databricks stellt einen Open-Source-Katalog samples bereit, der mehrere Schemas enthält. In dieser Übung erstellen wir einen LangChain Databricks SQL-Agenten, um eine Verbindung zum Schema nyctaxi herzustellen, und stellen ihm dann eine Frage, deren Beantwortung SQL erfordert. Die Erstellung eines solchen Agenten ermöglicht es Nutzerinnen und Nutzern, Datenanalysen durchzuführen und Fragen zu Daten zu stellen, die SQL erfordern – ganz ohne Vorkenntnisse in SQL.

Diese Übung ist Teil des Kurses

<Kurs>Databricks mit dem Python-SDK</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle ein LangChain-Objekt SQLDatabase aus dem Schema nyctaxi im Databricks-Katalog samples.
  • Erstelle ein benutzerdefiniertes LangChain-LLM mit dem Databricks-Modell Meta Llama 3.
  • Erstelle einen LangChain Databricks SQL-Agenten mit dem benutzerdefinierten LLM.
  • Führe eine Abfrage über den Databricks SQL-Agenten aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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)
Code bearbeiten und ausführen