เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

คิวรีชุดข้อมูล NYC Taxi ด้วย SQL Agent

Databricks มี catalog แบบ open source ชื่อ samples ซึ่งประกอบด้วย schema หลายรายการ ในแบบฝึกหัดนี้ เราจะสร้าง LangChain Databricks SQL agent เพื่อเชื่อมต่อกับ schema nyctaxi จากนั้นถามคำถามที่ต้องใช้ SQL ในการตอบ การสร้าง agent แบบนี้ช่วยให้ผู้ใช้สามารถวิเคราะห์ข้อมูลและตั้งคำถามกับข้อมูลได้ โดยไม่จำเป็นต้องมีความรู้ SQL มาก่อน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Databricks กับ Python SDK

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง LangChain SQLDatabase object จาก schema nyctaxi ใน catalog samples ของ Databricks
  • สร้าง LangChain LLM แบบกำหนดเองโดยใช้โมเดล Databricks Meta Llama 3
  • สร้าง LangChain Databricks SQL Agent โดยใช้ LLM ที่กำหนดเอง
  • คิวรี Databricks SQL Agent

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด