Skapa en LangChain SQL-agent ansluten till Databricks
LangChain är ett bibliotek för att bygga och driftsätta LLM-applikationer. Det låter dig även skapa AI-agenter som ansluter till datakällor och kör SQL-frågor.
I följande övningar arbetar du med scheman från katalogen samples. I den här övningen skapar du en Databricks SQL-agent, och i efterföljande övningar kommer du också att ställa frågor till de agenter du skapar.
Vi importerar följande funktioner till kodningsmiljön åt dig:
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
Den här övningen är en del av kursen
Databricks med Python SDK
Övningsinstruktioner
- Skapa en LangChain SQLDatabase från schemat
nyctaxii Databricks-katalogen "samples". - Skapa en Databricks LangChain LLM med hjälp av Databricks grundmodell Meta Llama 3.
- Skapa ett LangChain SQL Database-verktygspaket som använder LangChain Databricks SQL
dbochllm. - Skapa en LangChain Databricks SQL-agent med hjälp av
toolkitochllm.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)