AI创想

标题: 【LangChain系列】【使用LangChain连接MySQL实践&运行】 [打印本页]

---

作者: 林克link02    时间: 昨天 07:21
标题: 【LangChain系列】【使用LangChain连接MySQL实践&运行】
作者：ㄣ知冷煖★
目录

前言一、LangChain

1-1、介绍1-2、特点

二、LangChain连接MySQL&run

2-1、安装2-2、导入相关包2-3、通义千问&DataBase参数设置2-4、连接数据库&执行2-5、结合大模型，构建提示词工程来进一步优化2-6、查询&执行2-7、得到最终结果(更标准化的输出)

总结

---

前言

探索如何使用Langchain连接MySQL
【LangChain系列——操作SQL&CSV&连接数据库系列文章】：
一、使用LangChain连接MySQL实践&运行：如何使用langchain连接MySQL数据库&使用大模型优化&构建chain
二、基于Langchain的Pandas&csv Agent：调用Langchain自带的Pandas&CSV 智能体来对数据进行操作
三、与SQL交互时如何得到更好的结果&输出的查询结果验证方案：使用SQLLite简易数据库来实践，与SQL交互如何得到更好的结果&小技巧
一、LangChain

1-1、介绍

LangChain是一个框架，用于开发由大型语言模型（LLM）驱动的应用程序。
LangChain 简化了 LLM 应用程序生命周期的每个阶段：

开发：使用LangChain的开源构建块和组件构建应用程序。使用第三方集成和模板开始运行。生产化：使用 LangSmith 检查、监控和评估您的链条，以便您可以自信地持续优化和部署。部署：使用 LangServe 将任何链转换为 API。

(, 下载次数: 0)

上传

点击文件名下载附件

1-2、特点

LangChain的特点如下：

大语言模型(llm): LangChain为自然语言处理提供了不同类型的模型，这些模型可用于处理非结构化文本数据，并且可以基于用户的查询检索信息
PromptTemplates: 这个特征使开发人员能够使用多个组件为他们的模型构造输入提示。在查询时，开发人员可以使用PromptTemplates为用户查询构造提示模板，之后模板会传递到大模型进行进一步的处理。
链:在LangChain中，链是一系列模型，它们被连接在一起以完成一个特定的目标。聊天机器人应用程序的链实例可能涉及使用LLM来理解用户输入，使用内存组件来存储过去的交互，以及使用决策组件来创建相关响应。
agent: LangChain中的agent与用户输入进行交互，并使用不同的模型进行处理。Agent决定采取何种行动以及以何种顺序来执行行动。例如，CSV Agent可用于从CSV文件加载数据并执行查询，而Pandas Agent可用于从Pandas数据帧加载数据并处理用户查询。可以将代理链接在一起以构建更复杂的应用程序。

二、LangChain连接MySQL&run

2-1、安装

1. pip install --upgrade --quiet  langchain langchain-community langchain-experimental langchain-openai
2. pip install langchain_experimental

复制代码

2-2、导入相关包

1. from langchain_community.chat_models.tongyi import ChatTongyi
2. from langchain_community.utilities import SQLDatabase
3. import os
4. import dashscope
5. import ast

复制代码

2-3、通义千问&DataBase参数设置

1. # 模型相关参数设置，这里使用通义千问
2. os.environ["LANGCHAIN_TRACING_V2"]="true"
3. os.environ["LANGCHAIN_API_KEY"]=""
4. os.environ["DASHSCOPE_API_KEY"]=''
5. model =ChatTongyi(
6.     streaming=True,)
7. dashscope.api_key=""
9. # 数据库相关参数设置，包含用户名、密码等
10. db_user =""
11. db_password =""
12. db_host =""
13. db_name =""

复制代码

2-4、连接数据库&执行

数据库连接：

1. # 数据库连接
2. db = SQLDatabase.from_uri(f"mysql+pymysql://{db_user}:{db_password}@{db_host}/{db_name}")

复制代码

注意： 可以指定return_direct=True 来直接返回 SQL 查询的输出，而不需要任何额外的格式。防止LLM看到数据库中的任何内容。
连接数据库测试：

1. # 连接数据库测试
2. print(db.dialect)print(db.get_usable_table_names())

复制代码

输出：
mysql
[‘20231128_oceanengine_advertising_model’, ‘ads_app_behavioral_data_iu_d’, ‘ads_app_behavioral_data_iu_d_copy’, ‘ads_app_behavioral_error_data_iu_d’, ‘ads_app_behavioral_meta_mamualtag_iu_d’, ……]
展示数据表信息：

1. result = db.run("show create table dwd_sdm_usr_model_user_action_fl_d")

复制代码

输出：
[(‘dwd_sdm_usr_model_user_action_fl_d’, “CREATE TABLE dwd_sdm_usr_model_user_action_fl_d (\n jv_user_id varchar(500) DEFAULT NULL COMMENT ‘用户id’,\n action_time date NOT NULL COMMENT ‘时间’,\n action varchar(64) DEFAULT NULL COMMENT ‘事件’\n) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT=‘用户表’”)]
2-5、结合大模型，构建提示词工程来进一步优化

功能：

写出参考格式构建提示词工程，将提取到的Schema转化为标准格式调用通义千问接口并返回结果

1. reference_Format ="""
2. ### Database Schema ['CREATE TABLE "dwd_sdm_usr_model_user_action_fl_d"("jv_user_id"varchar(500) DEFAULT NULL COMMENT "用户id","action_time" date NOT NULL COMMENT "时间","action"varchar(64) DEFAULT NULL COMMENT "事件") ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT="用户表";']
3. ### Task 基于提供的database schema信息,"""
4. prompt = f"""
5.         任务：将提取到的Database Schema转化为标准格式输出。
6.         需要转化的Database Schema数据:({result})
7.         参考格式为：({reference_Format})
8.         只输出最终结果，不输出其他任何文字。
9.         """
10. messages =[{'role':'user','content': f'{prompt}'}]
11. response = dashscope.Generation.call(dashscope.Generation.Models.qwen_turbo, messages=messages, result_format='message')

复制代码

解析输出结果为：
### Database Schema
CREATE TABLE “dwd_sdm_usr_model_user_action_fl_d” ( “jv_user_id” varchar(500) DEFAULT NULL COMMENT “用户id”, “action_time” date NOT NULL COMMENT “时间”, “action” varchar(64) DEFAULT NULL COMMENT “事件” ) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT=“用户表”;### Task 基于提供的database schema信息,
2-6、查询&执行

使用langchain自带的库来写出查询SQL并执行：

1. from langchain_community.tools.sql_database.tool import QuerySQLDataBaseTool
2. from langchain.chains import create_sql_query_chain
4. execute_query =QuerySQLDataBaseTool(db=db)
5. write_query =create_sql_query_chain(model, db)
6. chain = write_query | execute_query
7. result = chain.invoke({"question":"How many employees are there"})print(result)

复制代码

输出：
[(0,)]
2-7、得到最终结果(更标准化的输出)

概述： 生成SQL——执行SQL——Prompt模板——输入到大模型——提取输出内容

1. from operator import itemgetter
3. from langchain_core.output_parsers import StrOutputParser
4. from langchain_core.prompts import PromptTemplate
5. from langchain_core.runnables import RunnablePassthrough
7. answer_prompt = PromptTemplate.from_template("""Given the following user question, corresponding SQL query, and SQL result, answer the user question.
9. Question:{question}
10. SQL Query:{query}
11. SQL Result:{result}
12. Answer:"""
13. )
15. chain =(
16.     RunnablePassthrough.assign(query=write_query).assign(
17.         result=itemgetter("query")| execute_query
18.     )| answer_prompt
19.     | model
20.     |StrOutputParser())
22. result = chain.invoke({"question":"How many employees are there"})print(result)

复制代码

输出：
There are 0 employees.
参考文章：
langchain_community.utilities.sql_database.SQLDatabase
LangChain

---

欢迎光临 AI创想 (https://llms-ai.com/)

Powered by Discuz! X3.4