Interroga il dataset NYC Taxi con un SQL Agent
Databricks espone un catalogo open source samples che contiene diversi schema. In questo esercizio creeremo un agente LangChain Databricks SQL per connetterci allo schema nyctaxi e poi gli porremo una domanda che richiede SQL per essere risolta. Creare uno di questi agent ti permette di fare analisi dei dati e porre domande sui dati che richiedono SQL, senza alcuna conoscenza pregressa di SQL.
Questo esercizio fa parte del corso
Databricks con il Python SDK
Istruzioni dell'esercizio
- Crea un oggetto LangChain SQLDatabase dallo schema
nyctaxinel catalogosamplesdi Databricks. - Crea un LLM personalizzato di LangChain usando il modello Databricks Meta Llama 3.
- Crea un LangChain Databricks SQL Agent usando l'LLM personalizzato.
- Interroga il Databricks SQL Agent.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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)