Fråga NYC Taxi-datasetet med SQL-agent
Databricks tillhandahåller en öppen samples-katalog som innehåller flera scheman. I den här övningen skapar du en LangChain Databricks SQL-agent som ansluter till schemat nyctaxi och ställer en fråga som kräver SQL för att besvaras. Med en sådan agent kan du utföra dataanalys och ställa frågor om data utan några förkunskaper i SQL.
Den här övningen är en del av kursen
Databricks med Python SDK
Övningsinstruktioner
- Skapa ett LangChain SQLDatabase-objekt från schemat
nyctaxii Databrickssamples-katalogen. - Skapa en anpassad LangChain LLM med Databricks Meta Llama 3-modellen.
- Skapa en LangChain Databricks SQL-agent med den anpassade LLM:en.
- Fråga Databricks SQL-agenten.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)