ПочатиПочніть безкоштовно

Запит даних про продажі пекарні за допомогою SQL-агента

Схема "bakehouse" у каталозі samples в Databricks містить згенеровані дані про продажі пекарні. Ми можемо створити агента LangChain Databricks SQL, щоб під'єднатися до цього набору даних, а потім ставити агенту запитання про дані. Агент може використовувати SQL для отримання відповідей і може показати хід роботи, описуючи SQL-запити та логіку, яку застосовано для пошуку розв'язку.

Ця вправа є частиною курсу

Databricks із Python SDK

Переглянути курс

Інструкції до вправи

  • Створіть базу даних LangChain SQL з набору даних bakehouse у каталозі samples.
  • Створіть об'єкт SQLDatabaseToolkit, який під'єднується до бази даних LangChain SQL і llm.
  • Створіть агента LangChain SQL, який під'єднується до llm і toolkit.
  • Запитайте в агента Databricks SQL, який продукт генерує найбільший дохід.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Connect to the bakehouse schema
bakehouse_db = SQLDatabase.from_databricks(
    ____="samples", 
    schema="bakehouse",  
  	warehouse_id=warehouse_id)

# Build the SQL toolkit
toolkit = SQLDatabaseToolkit(____=bakehouse_db, llm=llm)
# Create the SQL agent
agent = ____(llm=llm, toolkit=toolkit, verbose=True, handle_parsing_errors=True)

# Run the revenue query
prompt = "Which product generates the most revenue?"
result = agent.run(____)
print(result)
Редагувати та запускати код