CommencerCommencez gratuitement

Interroger le jeu de données NYC Taxi avec un agent SQL

Databricks propose un catalogue open source samples qui contient plusieurs schémas. Dans cet exercice, nous allons créer un agent SQL Databricks LangChain pour se connecter au schéma nyctaxi, puis lui poser une question qui nécessite du SQL pour obtenir une réponse. Créer ce type d'agent permet à l'utilisateur de réaliser des analyses de données et de poser des questions sur des données nécessitant du SQL, sans connaissance préalable du SQL.

Cet exercice fait partie du cours

<cours>Databricks avec le SDK Python</cours>
Voir le cours

Instructions de l’exercice

  • Créez un objet LangChain SQLDatabase à partir du schéma nyctaxi dans le catalogue samples de Databricks.
  • Créez un LLM LangChain personnalisé en utilisant le modèle Databricks Meta Llama 3.
  • Créez un agent SQL Databricks LangChain en utilisant ce 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)
Modifier et exécuter le code