利用LangChain实现自然语言查询数据库：鲜花信息查询实践
在人工智能和自然语言处理领域，如何让模型通过自然语言与数据库进行交互，是一个非常有趣且实用的课题。本文将以鲜花信息查询为例，深入解析如何使用LangChain结合OpenAI的语言模型，实现自然语言查询数据库的功能。
一、功能亮点：自然语言查询数据库的优势
1.1 重要性和独特价值
- 降低技术门槛：通过自然语言与数据库交互，用户无需掌握SQL等查询语言即可获取数据。
- 提高工作效率：快速、准确地获取所需信息，适用于客服、数据分析等多种场景。
- 增强模型能力：结合语言模型和数据库，实现更智能的数据查询和分析。
二、代码实践：详细步骤解析
我们将通过三段代码，逐步实现从数据库创建到自然语言查询的全过程。
2.1 创建SQLite数据库并插入数据
2.1.1 导入库并连接数据库
import sqlite3 # 导入SQLite库
# 连接到数据库，如果不存在则创建
conn = sqlite3.connect("FlowerShop.db")
cursor = conn.cursor()
- 解释：使用
sqlite3库连接到名为FlowerShop.db的数据库。
2.1.2 创建表格并定义结构
# 创建Flowers表
cursor.execute("""
CREATE TABLE Flowers (
ID INTEGER PRIMARY KEY,
Name TEXT NOT NULL,
Type TEXT NOT NULL,
Source TEXT NOT NULL,
PurchasePrice REAL,
SalePrice REAL,
StockQuantity INTEGER,
SoldQuantity INTEGER,
ExpiryDate DATE,
Description TEXT,
EntryDate DATE DEFAULT CURRENT_DATE
);
""")
- 解释：创建一个名为
Flowers的表格，包含鲜花的各种属性，如名称、类型、来源地、价格、库存等。
2.1.3 插入数据
# 定义鲜花数据列表
flowers = [
("Rose", "Flower", "France", 1.2, 2.5, 100, 10, "2023-12-31", "A beautiful red rose"),
("Tulip", "Flower", "Netherlands", 0.8, 2.0, 150, 25, "2023-12-31", "A colorful tulip"),
("Lily", "Flower", "China", 1.5, 3.0, 80, 5, "2023-12-31", "An elegant white lily"),
("Daisy", "Flower", "USA", 0.7, 1.8, 120, 15, "2023-12-31", "A cheerful daisy flower"),
("Orchid", "Flower", "Brazil", 2.0, 4.0, 50, 2, "2023-12-31", "A delicate purple orchid"),
]
# 插入数据到表格中
for flower in flowers:
cursor.execute("""
INSERT INTO Flowers (Name, Type, Source, PurchasePrice, SalePrice, StockQuantity, SoldQuantity, ExpiryDate, Description)
VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?);
""", flower)
- 解释：将五种鲜花的数据插入到
Flowers表中。
2.1.4 提交更改并关闭连接
# 提交更改
conn.commit()
# 关闭数据库连接
conn.close()
- 解释：保存对数据库的更改并关闭连接。
2.2 使用LangChain与数据库交互
2.2.1 导入库并连接数据库
from langchain.utilities import SQLDatabase
from langchain_experimental.sql import SQLDatabaseChain
import os
from langchain_openai import ChatOpenAI
# 连接到数据库
db = SQLDatabase.from_uri("sqlite:///FlowerShop.db")
# 初始化OpenAI语言模型
llm = ChatOpenAI(model=os.environ["LLM_MODELEND"], temperature=0, verbose=True)
- 解释：
- 使用
SQLDatabase连接到SQLite数据库。 - 初始化OpenAI的语言模型
ChatOpenAI，temperature=0保证输出的确定性。
- 使用
2.2.2 创建SQL数据库链
# 创建SQL数据库链
db_chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)
- 解释：
SQLDatabaseChain将语言模型与数据库连接起来，实现自然语言到SQL查询的转换。
2.2.3 执行自然语言查询
# 执行查询
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)
- 解释：通过
db_chain.run()方法，输入自然语言问题，自动生成SQL查询并获取结果。
2.2.4 输出结果
有 1 种不同的鲜花，即“Flower”。
存货数量最少的鲜花是兰花。
平均销售价格是 2.66 元。
- 解释：模型成功地回答了问题，并给出了精确的数值。
2.3 使用SQL Agent执行复杂查询
2.3.1 导入库并创建Agent
from langchain_community.agent_toolkits.sql.base import create_sql_agent
from langchain_community.utilities import SQLDatabase
from langchain_community.agent_toolkits.sql.toolkit import SQLDatabaseToolkit
from langchain.agents.agent_types import AgentType
import os
from langchain_openai import ChatOpenAI
# 连接到数据库
db = SQLDatabase.from_uri("sqlite:///FlowerShop.db")
llm = ChatOpenAI(model=os.environ["LLM_MODELEND"], temperature=0, verbose=True)
# 创建SQL Agent
agent_executor = create_sql_agent(
llm=llm,
toolkit=SQLDatabaseToolkit(db=db, llm=llm),
verbose=True,
agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
)
- 解释：
- 使用
create_sql_agent创建一个SQL Agent，能够理解复杂的查询并自动生成SQL语句。
- 使用
2.3.2 执行复杂查询
# 定义问题列表
questions = [
"哪种鲜花的存货数量最少？",
"平均销售价格是多少？",
]
# 执行查询并输出结果
for question in questions:
response = agent_executor.run(question)
print(response)
- 解释：通过Agent执行查询，可以处理更复杂的问题。
2.3.3 输出结果
查询到存货数量最少的鲜花是 Lily。
平均销售价格是 2.66。
- 解释：Agent成功地理解了问题，并给出了正确的答案。
三、个人思考与分析
3.1 学习收获
- 技术融合：将LangChain与OpenAI语言模型相结合，实现了自然语言与数据库的无缝交互。
- 提升效率：大大简化了数据库查询的过程，无需编写复杂的SQL语句。
- 实用价值：这种方法可以应用于客服系统、数据分析等多个领域，提升用户体验。
3.2 优势分析
- 自然语言交互：降低了用户使用门槛，使非技术人员也能查询数据库。
- 智能化程度高：语言模型能够理解复杂的问题，并自动生成正确的查询。
- 可扩展性强：可以适配不同的数据库和数据表，应用范围广泛。
3.3 未来展望
- 优化模型：可以尝试调整模型参数，提升回答的准确性和智能性。
- 丰富功能：加入更多的数据分析和处理功能，满足更复杂的业务需求。
- 安全性考虑：在实际应用中，需要注意数据库的安全和访问控制。
四、结论
通过本次实践，我们成功地实现了利用LangChain和OpenAI语言模型，通过自然语言查询数据库的功能。这种方法具有很高的实用价值，能够提升数据查询的效率和用户体验。
感谢Marscode AI提供的平台，让我们有机会深入探索和实践前沿技术！
