Aan de slagBegin gratis

Maak een LangChain SQL-agent verbonden met Databricks

LangChain is een bibliotheek om LLM-toepassingen te bouwen en te deployen. Je kunt er ook AI-agents mee maken die verbinding maken met databronnen en SQL-query's uitvoeren.

In de volgende oefeningen werk je met schema's uit de samples-catalogus. In deze oefening maak je een Databricks SQL-agent en in de daaropvolgende oefeningen ga je de agents die je maakt ook bevragen.

We importeren de volgende functies alvast voor je in de code-omgeving:

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

Deze oefening maakt deel uit van de cursus

Databricks met de Python SDK

Bekijk cursus

Oefeninstructies

  • Maak een LangChain SQLDatabase van het nyctaxi-schema in de Databricks-catalogus "samples".
  • Maak een Databricks LangChain LLM met het Databricks Meta Llama 3 Foundational Model.
  • Maak een LangChain SQL Database-toolkit die de LangChain Databricks SQL db en de llm gebruikt.
  • Maak een LangChain Databricks SQL-agent met de toolkit en llm.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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)
Code bewerken en uitvoeren