LoslegenKostenlos starten

LangChain SQL-Agent mit Databricks verbinden

LangChain ist eine Bibliothek zum Erstellen und Bereitstellen von LLM-Anwendungen. Sie ermöglicht dir auch, KI-Agents zu erstellen, Datenquellen anzubinden und SQL-Abfragen auszuführen.

In den folgenden Übungen arbeitest du mit Schemas aus dem samples-Katalog. In dieser Übung erstellst du einen Databricks SQL-Agent und in den darauffolgenden Übungen wirst du die von dir erstellten Agents auch abfragen.

Wir importieren für dich die folgenden Funktionen in die Programmierumgebung:

from langchain_community.agent_toolkits import create_sql_agent
from langchain_community.agent_toolkits import SQLDatabaseToolkit
from langchain_community.utilities import SQLDatabase
from databricks_langchain import ChatDatabricks
from databricks.sdk import WorkspaceClient

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Erstelle eine LangChain SQLDatabase aus dem Schema nyctaxi im Databricks-Katalog "samples".
  • Erstelle ein Databricks LangChain LLM mit dem Databricks Meta Llama 3 Foundational Model.
  • Erstelle ein LangChain SQL Database Toolkit, das die LangChain Databricks SQL db und das llm verwendet.
  • Erstelle einen LangChain Databricks SQL-Agenten mit dem toolkit und dem llm.

Interaktive praktische Übung

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

# Connect to the nyctaxi schema
db = SQLDatabase.____(
    catalog="samples", 
    schema="nyctaxi",
    warehouse_id=warehouse_id)

# Create the LangChain LLM
llm = ____(
    endpoint="databricks-meta-llama-3-3-70b-instruct",
    max_tokens=100)

# Build the SQL toolkit
toolkit = ____(db=db, llm=llm) 

# Create the SQL agent
databricks_sql_agent = ____(llm=llm, toolkit=toolkit, verbose=True, handle_parsing_errors=True)
Code bearbeiten und ausführen