在 Retrieval 或者 ReACT 的一些场景中，常常需要数据库与人工智能结合。而 LangChain 本身就封装了许多相关的内容，在其官方文档-SQL 能力中，也有非常好的示例。
而其实现原理主要是通过 LLM 将自然语言转换为 SQL 语句，然后再通过 LLM 获取执行的操作，最终生成一个答案和结论。
应用场景
在未出现人工智能，如果想要完成数据查询与数据分析的工作，则需要相关人员有相应的数据库的功底，而在 LangChain 结合大语言模型的过程中，应对这些问题则相当轻松——写清晰的提示词即可。
- 生成将基于自然语言问题运行的查询。
在传统的工作流程中，如果想要在数据库中搜索一些信息，那么就必须要掌握相应的数据库技术，比如 SQL 语句查询等，但是其本身有很高的学习成本。如果能用自然语言代替这个过程，则任何人都无需学习 SQL 语法，即可轻松进行数据的查询。
- 根据数据库数据回答问题的聊天机器人。
自然也可以做一个基于数据库信息的问答机器人，比如产品经理以及一些业务人员，也可以轻松获得数据库的信息。
- 数据分析展示面板
之前常常会通过 SQL 完成一些数据分析的工作，并通过各种样式的表格展示出来。此过程也可以通过人工智能完成。
实战案例
需求说明
- 输入查询的需求，返回查询的结果。
- 查询的结果通过自然语言表述（选做）。
实现思路
对应源码
实现输入查询的提示词，返回查询结果：
from langchain_community.utilities import SQLDatabase
db = SQLDatabase.from_uri("sqlite:///Chinook.db")
# 通过LLM 获取查询语句
from langchain.chains import create_sql_query_chain
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
from langchain_community.tools.sql_database.tool import QuerySQLDataBaseTool
# 执行查询动作
execute_query = QuerySQLDataBaseTool(db=db)
# 获取sql 查询语句
write_query = create_sql_query_chain(llm, db)
# 先生成查询语句，再执行查询动作
chain = write_query | execute_query
response = chain.invoke({"question": "How many employees are there"})
print(response)
查询结果转换为自然语言（更好让人理解）：
from operator import itemgetter
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough
# 定义提示词，其中有 question、query、result 三个变量
answer_prompt = PromptTemplate.from_template(
"""Given the following user question, corresponding SQL query, and SQL result, answer the user question.
Question: {question}
SQL Query: {query}
SQL Result: {result}
Answer: """
)
answer = answer_prompt | llm | StrOutputParser()
# query通过write_query链的执行结果获取
# result 通过 execute_query链获取
chain = (
RunnablePassthrough.assign(query=write_query).assign(
result=itemgetter("query") | execute_query
)
| answer
)
print(chain.invoke({"question": "How many employees are there"}))
解决数据库表数据过多的问题
在实际使用过程中，如果数据库表数据过多，可以限制使用的表名，以缩小查询范围，节省token
chain.invoke(SQLInputWithTables(question="xxx", table_names_to_use=['表a', '表b']))
总结
- 掌握 LangChain 完成数据库操作的应用场景。
- 掌握通过 LangChain 完成数据库查询的能力。
- 掌握通过 LangChain 将结果转换为自然语言的能力。