Inizia subitoInizia gratis

Crea un LangChain SQL Agent connesso a Databricks

LangChain è una libreria per creare e distribuire applicazioni LLM. Ti permette anche di creare agenti AI, collegarli a sorgenti dati ed eseguire query SQL.

Nei prossimi esercizi interagirai con gli schemi del catalogo samples. In questo esercizio creerai un agente Databricks SQL e, negli esercizi successivi, interrogherai anche gli agenti che avrai creato.

Abbiamo già importato nel tuo ambiente di coding le seguenti funzioni:

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

Questo esercizio fa parte del corso

Databricks con il Python SDK

Visualizza corso

Istruzioni dell'esercizio

  • Crea un LangChain SQLDatabase dallo schema nyctaxi nel catalogo Databricks "samples".
  • Crea un LLM di LangChain su Databricks usando il modello fondazionale Databricks Meta Llama 3.
  • Crea un toolkit LangChain per SQL Database che usi il db SQL di LangChain su Databricks e l'llm.
  • Crea un LangChain Databricks SQL agent usando il toolkit e l'llm.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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)
Modifica ed esegui il codice