ПочатиПочніть безкоштовно

Запит до набору даних NYC Taxi за допомогою SQL-агента

Databricks надає відкритий каталог зразків samples, що містить кілька схем. У цій вправі ви створите SQL-агента LangChain для Databricks, щоб під'єднатися до схеми nyctaxi, а потім поставите запитання, для відповіді на яке потрібен SQL. Створення такого агента дає змогу виконувати аналіз даних і ставити запитання до даних, що потребують SQL, навіть без попередніх знань SQL.

Ця вправа є частиною курсу

Databricks із Python SDK

Переглянути курс

Інструкції до вправи

  • Створіть об'єкт LangChain SQLDatabase зі схеми nyctaxi в каталозі Databricks samples.
  • Створіть власну модель LangChain LLM на основі Databricks Meta Llama 3.
  • Створіть SQL-агента LangChain для Databricks, використовуючи цю власну LLM.
  • Виконайте запит до SQL-агента Databricks.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код