(LangChain实战12):LangChain中的新型Chain之create_sql_query_chain

LangChain中的新型Chain之create_sql_query_chain

在数据库操作中,SQL查询是核心技能,但对于非技术人员来说,SQL语法往往是个门槛。今天我们来探索LangChain中的一个强大工具------create_sql_query_chain,它能将自然语言转换为SQL查询语句,让不懂SQL的人也能轻松操作数据库。

一、环境准备与导入

首先看代码的导入部分:

python 复制代码
import os
from dotenv import load_dotenv
from langchain_classic.chains.sql_database.query import create_sql_query_chain
from langchain_community.utilities import SQLDatabase
from langchain_openai import ChatOpenAI
  • os:Python标准库,用于读取环境变量
  • dotenv:管理.env文件中的环境变量
  • create_sql_query_chain:我们今天要讲的核心功能,创建SQL查询链
  • SQLDatabase:LangChain的数据库工具类
  • ChatOpenAI:OpenAI兼容的聊天模型接口

二、环境配置

python 复制代码
# 加载env环境变量
load_dotenv()

这行代码从.env文件加载环境变量,通常包含:

python 复制代码
OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_API_KEY=your_api_key_here

三、初始化大语言模型

python 复制代码
# 构建模型
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url=os.getenv('OPENAI_BASE_URL'),
    api_key=os.getenv('OPENAI_API_KEY'),
)

这里创建了一个ChatOpenAI实例,但重点在于:

  • model="deepseek-chat":使用的是DeepSeek模型
  • base_url:指定了DeepSeek的API地址
  • 这样配置可以让LangChain的OpenAI接口兼容其他OpenAI API兼容的服务

四、数据库连接配置

python 复制代码
# 构造mysql数据源
db = SQLDatabase.from_uri(f"mysql+pymysql://root:123456@192.168.1.10:3306/test_db")

数据库连接字符串的格式为:

复制代码
数据库类型+驱动://用户名:密码@主机地址:端口/数据库名

五、创建SQL查询链

python 复制代码
# 创建create_sql_query_chain实例
chain = create_sql_query_chain(llm, db)

这是最核心的一步!create_sql_query_chain函数:

  1. 接收两个参数:大语言模型实例和数据库连接

  2. 内部工作原理:

    • 自动获取数据库的元数据(表结构、字段信息)
    • 将数据库结构信息嵌入到提示词中
    • 训练模型理解如何将自然语言转换为SQL

六、执行查询

基础查询方式:

python 复制代码
# 执行结果
response = chain.invoke({"question": "数据表sys_user有多少用户"})

invoke方法接受一个字典,其中question键包含用户的自然语言问题。

指定表查询方式:

python 复制代码
# 可以指定使用的多张表
response = chain.invoke({
    "question": "数据表sys_user有多少用户",
    "table_names_to_use": ["sys_user"]
})

table_names_to_use参数的作用:

  • 限制模型只考虑指定的表
  • 提高查询准确性
  • 避免模型选择不相关的表

七、结果输出与分析

python 复制代码
import os
from dotenv import load_dotenv
from langchain_classic.chains.sql_database.query import create_sql_query_chain
from langchain_community.utilities import SQLDatabase
from langchain_openai import ChatOpenAI

# 加载env环境变量
load_dotenv()

# 构建模型
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url=os.getenv('OPENAI_BASE_URL'),
    api_key=os.getenv('OPENAI_API_KEY'),
)

# 构造mysql数据源
db = SQLDatabase.from_uri(f"mysql+pymysql://root:123456@192.168.1.12:3306/test_db")

# 创建create_sql_query_chain实例
chain = create_sql_query_chain(llm, db)

# 执行结果
response = chain.invoke({"question": "数据表sys_user有多少用户"})

# 可以指定使用的多张表
# response = chain.invoke({"question": "数据表sys_user有多少用户",
#                         "table_names_to_use":["sys_user"]})

# 结果:# SQLQuery: SELECT COUNT(*) AS `user_count` FROM `sys_user`
print(response)

运行后会得到类似这样的输出:

复制代码
SELECT COUNT(*) AS user_count FROM sys_user
相关推荐
老余说AI1 分钟前
跨境电商、课程出海:六款多语言视频翻译工具选型指南
大数据·运维·人工智能
码农杂谈000726 分钟前
不止三折叠:网易智企 IM UIKit 鸿蒙版一键升级多形态适配
人工智能
泯泷41 分钟前
别再手动盯盘了!用这个免费工具实现股市自动监控
人工智能
陈如水1 小时前
Spring AI Alibaba 在多 Agent 场景下的实践
java·人工智能·spring
沐知全栈开发1 小时前
基于ClinicalTrials公开数据的临床试验分析系统-毕业设计
数据库·课程设计
半杯咖啡半行码1 小时前
Qt 隐式共享(Implicit Sharing)深度解析:机制、陷阱与 Qt6迁移
开发语言·数据库·qt
Nturmoils1 小时前
空值、日期、字符串:业务 SQL 里的函数先跑一遍
数据库
瓶瓶持续学习中1 小时前
物理AI与具身智能的技术架构区别:从空间建模到机器人动作执行
人工智能·机器人
羲云网络1 小时前
GPT Image 2.6 精准编辑前,先排查参考图的访问权限与输入交接
图像处理·人工智能·aigc
snakeshe10102 小时前
ChatGLM行业垂直领域微调实战:从需求分析到数据集加载完整流程
人工智能