Bakery-verkoopgegevens opvragen met een SQL-agent
Het "bakehouse"-schema in de samples-catalogus in Databricks bevat gefingeerde gegevens over bakkerijverkopen. We kunnen een LangChain Databricks SQL-agent maken om verbinding te maken met deze gegevensset en de agent vervolgens vragen over de data laten beantwoorden. De agent kan SQL gebruiken om de antwoorden op te halen en kan laten zien hoe hij te werk gaat, door de SQL-queries en de gebruikte logica te beschrijven om tot de oplossing te komen.
Deze oefening maakt deel uit van de cursus
Databricks met de Python SDK
Oefeninstructies
- Maak een LangChain SQL-database van de
bakehouse-gegevensset in desamples-catalogus. - Maak een
SQLDatabaseToolkit-object dat verbinding maakt met de LangChain SQL-database enllm. - Maak een LangChain SQL-agent die verbinding maakt met de
llmen detoolkit. - Vraag de Databricks SQL-agent welk product de meeste omzet genereert.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Connect to the bakehouse schema
bakehouse_db = SQLDatabase.from_databricks(
____="samples",
schema="bakehouse",
warehouse_id=warehouse_id)
# Build the SQL toolkit
toolkit = SQLDatabaseToolkit(____=bakehouse_db, llm=llm)
# Create the SQL agent
agent = ____(llm=llm, toolkit=toolkit, verbose=True, handle_parsing_errors=True)
# Run the revenue query
prompt = "Which product generates the most revenue?"
result = agent.run(____)
print(result)