Créer un agent SQL LangChain connecté à Databricks

LangChain est une bibliothèque pour créer et déployer des applications LLM. Elle permet également de créer des agents d'IA, de les connecter à des sources de données et d'exécuter des requêtes SQL.

Dans les exercices suivants, vous allez interagir avec des schémas du catalogue samples. Dans cet exercice, vous allez créer un agent Databricks SQL, puis dans les exercices suivants vous interrogez aussi les agents que vous créez.

Nous importons pour vous les fonctions suivantes dans l'environnement de code :

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

Cet exercice fait partie du cours

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

Voir le cours

Instructions de l’exercice

Créez une SQLDatabase LangChain à partir du schéma nyctaxi dans le catalogue Databricks « samples ».
Créez un LLM LangChain Databricks en utilisant le modèle fondamental Databricks Meta Llama 3.
Créez un toolkit LangChain pour base de données SQL qui utilise la base Databricks SQL db et le llm.
Créez un agent SQL LangChain Databricks en utilisant le toolkit et le llm.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)

Modifier et exécuter le code