LangChain系列文章

1. LangChain 实现给动物取名字，
2. LangChain 2模块化prompt template并用streamlit生成网站 实现给动物取名字
3. LangChain 3使用Agent访问Wikipedia和llm-math计算狗的平均年龄
4. LangChain 4用向量数据库Faiss存储，读取YouTube的视频文本搜索Indexes for information retrieve
5. LangChain 5易速鲜花内部问答系统
6. LangChain 6根据图片生成推广文案HuggingFace中的image-caption模型
7. LangChain 7 文本模型TextLangChain和聊天模型ChatLangChain
8. LangChain 8 模型Model I/O：输入提示、调用模型、解析输出
9. LangChain 9 模型Model I/O 聊天提示词ChatPromptTemplate, 少量样本提示词FewShotPrompt
10. LangChain 10思维链Chain of Thought一步一步的思考 think step by step
11. LangChain 11实现思维树Implementing the Tree of Thoughts in LangChain’s Chain
12. LangChain 12调用模型HuggingFace中的Llama2和Google Flan t5
13. LangChain 13输出解析Output Parsers 自动修复解析器
14. LangChain 14 SequencialChain链接不同的组件
15. LangChain 15根据问题自动路由Router Chain确定用户的意图
16. LangChain 16 通过Memory记住历史对话的内容
17. LangChain 17 LangSmith调试、测试、评估和监视基于任何LLM框架构建的链和智能代理
18. LangChain 18 LangSmith监控评估Agent并创建对应的数据库
19. LangChain 19 Agents Reason+Action自定义agent处理OpenAI的计算缺陷
20. LangChain 20 Agents调用google搜索API搜索市场价格 Reason Action：在语言模型中协同推理和行动
21. LangChain 21 Agents自问自答与搜索 Self-ask with search
22. LangChain 22 LangServe用于一键部署LangChain应用程序
23. LangChain 23 Agents中的Tools用于增强和扩展智能代理agent的功能
24. LangChain 24 对本地文档的搜索RAG检索增强生成Retrieval-augmented generation
    

1. LangChain提供与SQL数据库交互的工具：

• 根据自然语言用户问题构建SQL查询
• 使用链式查询创建和执行SQL数据库查询
• 使用代理与SQL数据库交互，实现强大灵活的查询
  
  企业数据通常存储在SQL数据库中。

LLM使得可以使用自然语言与SQL数据库进行交互。

LangChain提供SQL链和代理，以基于自然语言提示构建和运行SQL查询。

这些与SQLAlchemy支持的任何SQL方言兼容（例如MySQL、PostgreSQL、Oracle SQL、Databricks、SQLite）。

它们可以实现以下用例：

• 生成基于自然语言问题运行的查询
• 创建能够根据数据库数据回答问题的聊天机器人
• 基于用户想要分析的见解构建自定义仪表板

2. 代码实现

以下示例将使用Chinook数据库的SQLite连接。

按照安装步骤在与此笔记本相同的目录中创建Chinook.db：

• 将此文件保存到与Chinook_Sqlite.sql相同的目录中
• 运行sqlite3 Chinook.db
• 运行.read Chinook_Sqlite.sql
• 测试SELECT * FROM Artist LIMIT 10;

运行过程如下

zgpeace@zgpeaces-MBP  ~/Workspace/LLM/langchain-llm-app ‹node-›  ‹› (develop*) 
╰─$ cd sql 

╭─zgpeace@zgpeaces-MBP  ~/Workspace/LLM/langchain-llm-app/sql ‹node-›  ‹› (develop*) 
╰─$ sqlite3 Chinook.db
SQLite version 3.22.0 2018-01-22 18:45:57
Enter ".help" for usage hints.
sqlite> .read Chinook_Sqlite.sql
Error: near line 1: near "": syntax error
sqlite> SELECT * FROM Artist LIMIT 10;
1|AC/DC
2|Accept
3|Aerosmith
4|Alanis Morissette
5|Alice In Chains
6|Antônio Carlos Jobim
7|Apocalyptica
8|Audioslave
9|BackBeat
10|Billy Cobham

现在，Chinhook.db就在我们的目录中。

让我们创建一个SQLDatabaseChain来创建和执行SQL查询。

chain_sql.py在这段代码中，首先加载环境变量（可能用于数据库凭证或其他设置）。然后，从一个SQLite数据库创建一个SQLDatabase实例，这允许与该数据库进行交互。接着创建一个OpenAI模型实例，用于处理自然语言查询。最后，结合语言模型和数据库创建一个SQLDatabaseChain实例，用于执行自然语言形式的数据库查询。代码的最后一部分运行一个查询来获得数据库中员工的数量。

# 导入dotenv库，用于从.env文件加载环境变量
import dotenv

# 加载.env文件中的环境变量
dotenv.load_dotenv()

# 导入OpenAI模块，用于与OpenAI语言模型交互
from langchain.llms import OpenAI

# 导入SQLDatabase工具，用于与SQL数据库进行交互
from langchain.utilities import SQLDatabase

# 导入SQLDatabaseChain，用于创建一个结合了语言模型和数据库的处理链
from langchain_experimental.sql import SQLDatabaseChain

# 从指定的数据库URI创建SQL数据库实例，此处使用的是SQLite数据库
db = SQLDatabase.from_uri("sqlite:///Chinook.db")

# 创建OpenAI模型实例，设置temperature为0（完全确定性输出），并启用详细日志记录
llm = OpenAI(temperature=0, verbose=True)

# 创建SQL数据库链，结合了语言模型和数据库，用于处理基于数据库的查询
db_chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)

# 使用数据库链运行查询，此处查询“有多少员工？”
db_chain.run("How many employees are there?")

运行结果如下：

╭─zgpeace@zgpeaces-MBP  ~/Workspace/LLM/langchain-llm-app/sql ‹node-›  ‹› (develop*) 
╰─$ python chain_sql.py


> Entering new SQLDatabaseChain chain...
How many employees are there?
SQLQuery:SELECT COUNT(*) FROM "Employee";
SQLResult: [(8,)]
Answer:There are 8 employees.
> Finished chain.

代码

https://github.com/zgpeace/pets-name-langchain/tree/develop

参考

https://python.langchain.com/docs/use_cases/qa_structured/sql