上篇文章我們介紹了一個使用RAG進行SQL生成的項目(RAG做SQL生成處理表格，一個10.1k※的開源工具vanna)。這篇文章我們介紹一個使用LangChain實現SQLagent的方法，LangChain直接內置了自己的SQLagent實現-—SQLDatabaseChain。這個方法使用 SQL Alchemy 與數據庫交互。感興趣的可以考慮一下這兩個方案是否可以融合，這樣保證SQL的準確性從而提升最終結果的準確率。下面將介紹今天主要內容的實現步驟：

實現步驟

首先，我們得有一個數據庫。這里我們用的是ClickHouse，一個開源的、面向列的SQL數據庫管理系統，特別適合大數據分析。安裝起來超級簡單，一行命令就搞定。

接下來，我們得讓Agent學會和ClickHouse交流。這里就需要用到clickhouse-sqlalchemy這個包了。安裝它之后，我們就可以建立數據庫連接，然后初始化我們的Toolkit。這個Toolkit就像是我們的Agent的工具箱，里面裝滿了有用的工具。

現在，讓我們來創建一個SQLDatabaseChain的Agent。這個Agent可以直接和數據庫交互，回答問題。我們只需要定義一些工具，比如查詢表結構、執行SQL查詢等。然后，我們就可以快速創建并運行這個Agent了。

環境搭建

今天用到的主要安裝包如下，其它可以根據提示安裝：

# 安裝 clickhouse-sqlalchemy 包來連接 ClickHouse
pip install clickhouse-sqlalchemy langchain

運行代碼

代碼大概是這樣的：

from langchain.agents import AgentExecutor, AgentType
from langchain.sql_database_toolkit import SQLDatabaseToolkit




# 設置數據庫連接
uri = 'clickhouse+native://localhost/ecommerce'
db = SQLDatabase.from_uri(uri)




# 初始化工具箱
toolkit = SQLDatabaseToolkit(db=db, llm=OpenAI(temperature=0))




# 創建并運行基于 OpenAI 函數的 Agent
agent_executor = create_sql_agent(
    llm=ChatOpenAI(temperature=0.1, model='gpt-4-1106-preview'),
    toolkit=toolkit,
    verbose=True,
    agent_type=AgentType.OPENAI_FUNCTIONS
)
# 運行 Agent，回答數據相關問題
agent_executor.run("我們有多少來自上海的活躍客戶？")

運行這段代碼后，Agent就會根據我們的問題去數據庫里找到答案，然后告訴我們。比如，它會告訴我們有多少來自上海的活躍客戶。這個Agent的好處在于，它可以直接理解我們的問題，然后去數據庫里找到答案。我們不需要自己寫SQL查詢，也不需要擔心查詢的語法問題。Agent會幫我們搞定一切。

如果對內容有什么疑問和建議可以私信和留言，也可以添加我加入大模型交流群，一起討論大模型在創作、RAG和agent中的應用。