Query de NYC Taxi-gegevensset met een SQL Agent
Databricks stelt een open-source samples-catalogus beschikbaar met verschillende schema's. In deze oefening maak je een LangChain Databricks SQL-agent die verbinding maakt met het nyctaxi-schema en stel je vervolgens een vraag die SQL vereist om te beantwoorden. Met zo'n agent kun je gegevens analyseren en vragen stellen over data waarvoor SQL nodig is, zonder dat je vooraf SQL-kennis hoeft te hebben.
Deze oefening maakt deel uit van de cursus
Databricks met de Python SDK
Oefeninstructies
- Maak een LangChain SQLDatabase-object vanuit het
nyctaxi-schema in de Databricks-samples-catalogus. - Maak een aangepaste LangChain LLM met het Databricks Meta Llama 3-model.
- Maak een LangChain Databricks SQL Agent met de aangepaste LLM.
- Voer een query uit op de Databricks SQL Agent.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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)