Zacznij terazZacznij za darmo

Tworzenie agenta SQL LangChain połączonego z Databricks

LangChain to biblioteka do budowania i wdrażania aplikacji opartych na dużych modelach językowych (LLM). Umożliwia również tworzenie agentów AI, łączenie się ze źródłami danych i wykonywanie zapytań SQL.

W kolejnych ćwiczeniach będziesz pracować ze schematami z katalogu samples. W tym ćwiczeniu utworzysz agenta SQL dla Databricks, a w następnych ćwiczeniach będziesz też wysyłać zapytania do tworzonych agentów.

Do środowiska programistycznego importujemy dla ciebie następujące funkcje:

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

To ćwiczenie jest częścią kursu

Databricks z Python SDK

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz bazę danych SQLDatabase LangChain ze schematu nyctaxi w katalogu Databricks "samples".
  • Utwórz LLM LangChain dla Databricks, korzystając z fundamentowego modelu Databricks Meta Llama 3.
  • Utwórz zestaw narzędzi LangChain SQL Database, który używa bazy danych db oraz modelu llm.
  • Utwórz agenta SQL LangChain dla Databricks, używając zmiennych toolkit i llm.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod