新的数据库查询范式
将传统的数据库查询与llm结合，使得用户能够通过自然语言就可以进行数据库的增删改查，同时查询数据库后的内容也会经过llm处理，获得更贴近自然语言的结果。
用Chian查询数据库
# 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)
整体看起来还不错，但是在区别类型的时候还是有点问题......
用 Agent 查询数据库
from langchain.utilities import SQLDatabase
from langchain.llms import OpenAI
from langchain.agents import create_sql_agent
from langchain.agents.agent_toolkits import SQLDatabaseToolkit
from langchain.agents.agent_types import AgentType
# 连接到FlowerShop数据库
db = SQLDatabase.from_uri("sqlite:///FlowerShop.db")
llm = OpenAI(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,
)
# 使用Agent执行SQL查询
questions = [
"哪种鲜花的存货数量最少？",
"平均销售价格是多少？",
]
for question in questions:
response = agent_executor.run(question)
print(response)
可以看到通过agent的方式，整个流程变得更有逻辑性，符合ReAct的思想。首先，它思考之后，将先确定第一个action是使用工具 sql_db_list_tables，然后观察该工具所返回的表格，思考后再确定下一个 action是sql_db_schema，也就是创建SQL语句，逐层前进，直到得到答案。
