Interroger l'ensemble de données NYC Taxi avec un agent SQL
Databricks met à disposition un catalogue libre samples qui contient plusieurs schémas. Dans cet exercice, nous allons créer un agent SQL LangChain pour Databricks afin de se connecter au schéma nyctaxi, puis lui poser une question qui exige du SQL pour y répondre. Créer ce type d'agent permet à l'utilisateur de faire de l'analyse de données et de poser des questions sur des données qui nécessitent du SQL, sans connaissance préalable du SQL.
Cette activité fait partie du cours
Databricks avec le SDK Python
Instructions de l’exercice
- Créez un objet LangChain SQLDatabase à partir du schéma
nyctaxidans le cataloguesamplesde Databricks. - Créez un LLM LangChain personnalisé en utilisant le modèle Databricks Meta Llama 3.
- Créez un agent SQL LangChain pour Databricks en utilisant le LLM personnalisé.
- Interrogez l'agent SQL Databricks.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)