ПочатиПочніть безкоштовно

Створення LangChain SQL-агента, під'єднаного до Databricks

LangChain — це бібліотека для розробки та розгортання застосунків на основі LLM. Вона також дає змогу створювати агентів ШІ, під'єднувати їх до джерел даних і виконувати SQL-запити.

У наступних вправах ви працюватимете зі схемами з каталогу samples. У цій вправі ви створите Databricks SQL-агента, а в подальших вправах також виконуватимете запити до створених агентів.

Ми імпортували до середовища коду такі функції:

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

Ця вправа є частиною курсу

Databricks із Python SDK

Переглянути курс

Інструкції до вправи

  • Створіть LangChain SQLDatabase зі схеми nyctaxi у каталозі Databricks «samples».
  • Створіть LangChain LLM для Databricks, використовуючи базову модель Databricks Meta Llama 3.
  • Створіть набір інструментів LangChain для SQL Database, який використовує LangChain Databricks SQL db і llm.
  • Створіть LangChain Databricks SQL-агента, використовуючи toolkit і llm.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код