[构建一个SQL数据上的问答系统：实现与挑战]_构建一个基于sql数据的问答链和agent智能体|-CSDN博客

引言

在现代数据驱动的世界中，从海量的结构化数据中快速获取信息是至关重要的。本文将探讨如何使用大型语言模型（LLM）在SQL数据库上构建一个问答系统。我们将分别讨论如何使用链（Chains）和智能体（Agents）来实现这样的系统，以及面临的挑战和解决方案。

主要内容

使用链（Chains）构建问答系统

在链的实现中，我们可以创建一个简单的流程，将用户的问题转换为SQL查询，执行该查询并使用结果返回答案。通常，步骤如下：

将问题转换为SQL查询。
执行SQL查询。
使用查询结果回答原始问题。

from langchain.chains import create_sql_query_chain
from langchain_community.utilities import SQLDatabase
from langchain_openai import ChatOpenAI

# 初始化数据库和语言模型
db = SQLDatabase.from_uri("sqlite:///Chinook.db")
llm = ChatOpenAI(model="gpt-4o-mini")
chain = create_sql_query_chain(llm, db)

# 示例：查询员工数量
response = chain.invoke({"question": "How many employees are there"})
db.run(response)

使用智能体（Agents）构建问答系统

智能体比链更灵活，可以根据需要多次查询数据库，以回答用户的问题。其主要优势在于：

能够根据数据库的结构和内容回答问题。
可以从错误中恢复，重新生成查询。
根据需要查询多次以获取完整答案。

from langchain_community.agent_toolkits import SQLDatabaseToolkit

toolkit = SQLDatabaseToolkit(db=db, llm=llm)
tools = toolkit.get_tools()

# 创建智能体执行器
from langchain_core.messages import SystemMessage
from langgraph.prebuilt import create_react_agent

system_message = SystemMessage(content="""Your structured instructions here""")
agent_executor = create_react_agent(llm, tools, messages_modifier=system_message)

# 示例：查询哪个国家的客户花费最多
for s in agent_executor.stream(
    {"messages": [SystemMessage(content="Which country's customers spent the most?")]}
):
    print(s)