Zacznij terazZacznij za darmo

Zapytanie do zbioru danych NYC Taxi za pomocą agenta SQL

Databricks udostępnia otwarty katalog samples, który zawiera kilka schematów. W tym ćwiczeniu utworzymy agenta SQL LangChain dla Databricks, podłączymy go do schematu nyctaxi, a następnie zadamy mu pytanie wymagające odpowiedzi w SQL. Taki agent pozwala analizować dane i zadawać pytania dotyczące zbiorów danych bez żadnej znajomości SQL.

To ćwiczenie jest częścią kursu

Databricks z Python SDK

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz obiekt SQLDatabase LangChain ze schematu nyctaxi w katalogu samples Databricks.
  • Utwórz niestandardowy model LLM LangChain, korzystając z modelu Meta Llama 3 w Databricks.
  • Utwórz agenta SQL LangChain dla Databricks, używając niestandardowego modelu LLM.
  • Wyślij zapytanie do agenta SQL Databricks.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod