像我们之前说的RAG，都是通过自然语言，去查询相似的文本，并且给出回答，但是对于编程语言，或者SQL语句，我们无法通过一句话去查询出对应的内容。例如数据库中存着小明同学的成绩，你当然可以直接传入查询 “查询小明同学成绩” ，大模型会根据文本相似度找出对应内容，然后加入prompt，在某些时候答案也许是正确的。但是对于数据库查询，我们不希望会出错，因此不能容忍自然语言可能出错的情况。当你想从一个数据库中提取信息或进行某种操作时，你需要使用这种特定的语言明确地告诉计算机你的要求。这不仅需要我们深入了解正在使用的技术，还需要对所操作的数据有充分的了解。
就比如数据库里的条目，而不是文本数据，如果要做embedding再相似度查询，那属于是脱裤子放屁了。这时候数据库即相当于一个工具，大模型生成查询语句，直接调用查询工具，查询的结果返回给模型。模型收到结果后，可以直接返回结构化数据，也可以用自然语言解析后回答问题。
# 导入langchain的实用工具和相关的模块
from langchain.utilities import SQLDatabase
from langchain.llms import OpenAI
from langchain_experimental.sql import SQLDatabaseChain
# 连接到FlowerShop数据库（之前我们使用的是Chinook.db）
db = SQLDatabase.from_uri("sqlite:///FlowerShop.db")
# 创建OpenAI的低级语言模型（LLM）实例，这里我们设置温度为0，意味着模型输出会更加确定性
llm = OpenAI(temperature=0, verbose=True)
# 创建SQL数据库链实例，它允许我们使用LLM来查询SQL数据库
db_chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)
# 运行与鲜花运营相关的问题
response = db_chain.run("有多少种不同的鲜花？")
print(response)
response = db_chain.run("哪种鲜花的存货数量最少？")
print(response)
response = db_chain.run("平均销售价格是多少？")
print(response)
response = db_chain.run("从法国进口的鲜花有多少种？")
print(response)
response = db_chain.run("哪种鲜花的销售量最高？")
print(response)
我们只需要导入SQLDatabaseChain，Langchain就可以自动根据我们传入的大模型和数据库，自从完成数据库的检索查询。
可以看到，查询首先将用户请求，转换为SQL查询语句，然后将查询结果返回到LLM，LLM最后给出正确答案。
这是一种从“告诉计算机要做什么”的编程范式向“告诉计算机我们想要什么”的范式的转变。
这样的转变使得更多非专业人士，也能使用自然语言进行数据库查询，提高了效率，并且LLM产生的错误也许会更低，当然前提是prompt要表达正确。
但是同时也有一些缺点，例如如果问题是模糊的，那么LLM也难以给出正确的答案。如果我们过度依赖大模型的决策，那么我们可能失去对数据的深入了解和结果的质疑。
