О чём урок
Этот учебник демонстрирует, как создать SQL-агента с использованием Cohere и LangChain. Агент может переводить запросы на естественном языке от пользователей в SQL и выполнять их в базе данных. Эта мощная комбинация позволяет интуитивно взаимодействовать с базами данных, не требуя прямого знания SQL.
Основные темы:
- Настройка необходимых библиотек и среды
- Подключение к базе данных SQLite
- Настройка LangChain SQL Toolkit
- Создание пользовательского шаблона prompt с примерами few-shot
- Создание и запуск SQL-агента
- Добавление памяти агенту для отслеживания истории сообщений
К концу этого учебника у вас будет функциональный SQL-агент, который сможет отвечать на вопросы о ваших данных, используя естественный язык.
В этом учебнике используются смоделированные данные производственной среды, где отслеживается производство товарной позиции на нескольких станциях, что позволяет анализировать эффективность производства, производительность станций и прогресс отдельных позиций в производственном процессе. Это смоделировано по реальному сценарию использования клиента.
База данных содержит две таблицы:
- Таблица product_tracking записывает перемещение позиций по различным зонам производственных станций, включая время начала и окончания, названия станций и идентификаторы продуктов.
- Таблица status регистрирует операционный статус станций, включая временные метки, названия станций и информацию о том, являются ли они продуктивными или находятся в простое.
Оглавление
- Импорт необходимых библиотек
- Загрузка базы данных
- Настройка LangChain SQL Toolkit
- Создание шаблона prompt с примерами few-shot
- Создание агента
- Запуск агента
Сначала импортируем необходимые библиотеки для создания SQL-агента с использованием Cohere и LangChain. Эти библиотеки обеспечивают взаимодействие с базами данных на естественном языке и предоставляют инструменты для создания AI-агентов.
Далее мы загружаем базу данных для наших производственных данных.
Мы создаем базу данных SQLite в памяти, используя SQL-скрипты для таблиц product_tracking и status. Вы можете получить SQL-таблицы здесь.
Затем мы создаем экземпляр SQLDatabase, который будет использоваться нашими инструментами и агентами LangChain для взаимодействия с данными.
Далее мы инициализируем LangChain SQL Toolkit и инициализируем языковую модель для использования LLM от Cohere.
Далее мы создаем шаблон prompt.
В данном случае…
План урока
- Импорт необходимых библиотек
- Загрузка базы данных
- Загрузите SQL-файлы по ссылке ниже, чтобы создать базу данных.
- Настройка LangChain SQL Toolkit
- Создание шаблона prompt
- Создание шаблона prompt с примерами few-shot
- Создание агента
- Запуск агента
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.