本文利用 LangChain 构建一个 MySQL 数据库问答代理，实现自然语言与数据库交互：

---

利用 LangChain 构建 MySQL 数据库问答代理，不仅可以大大降低用户学习 SQL 的门槛，还能让用户通过简单的自然语言查询轻松获取所需数据。

首先，需要准备 Python 环境，并安装必要的依赖库，如 langchain、pymysql 和 sqlalchemy。接下来，我们在 MySQL 中创建数据库和所需的数据表，确保数据结构清晰、字段齐全。

用户只需输入类似“部门名称为‘销售部’的所有员工有哪些？”这样的查询，代理便会自动解析自然语言、生成对应的 SQL 语句，并执行查询，最终将结果返回给用户。整个流程不仅提升了查询效率，也使得非专业人员能够直观地与数据库互动，从而更好地利用数据资源进行分析和决策。

一、设计流程

1.数据库连接

# 数据库相关参数设置，包含用户名、密码等db_user = "root"db_password = ""db_host = "localhost"db_name = "test"# 数据库连接db = SQLDatabase.from_uri(f"mysql+pymysql://{db_user}:{db_password}@{db_host}/{db_name}")

我们可以用代码测试下数据库是否连接成功：

print(db.dialect)print(db.get_usable_table_names())打印结果如下：mysql['user', 'zhhs_enf_law_task_pool']

1、返回数据库的方言

2、返回当前数据库下所有的表

---

2.大模型配置

os.environ['LANGCHAIN_TRACING_V2'] = 'true'os.environ['LANGCHAIN_ENDPOINT'] = ""os.environ['LANGCHAIN_API_KEY'] = ""os.environ['LANGCHAIN_PROJECT'] = "customer1"from langchain_community.chat_models import ChatTongyillm = ChatTongyi(    model="qwen-max",    temperature=0    # top_p="...",    # api_key="...",    # other params...)

我们用的是qwen的大模型配置，将temperature = 0输出，让大模型不要发散。

---

‌SQLDatabase Toolkit‌

‌SQLDatabase Toolkit‌是一个工具集，旨在帮助AI代理与SQL数据库进行交互。其主要功能包括执行SQL查询、探索数据库结构、验证SQL语句等。通过这些功能，SQLDatabase Toolkit能够使AI系统更有效地从SQL数据库中检索数据，特别是在需要迭代处理和错误恢复的情况下‌12。

‌SQLDatabase‌则是一个用于连接和操作SQL数据库的组件。它允许开发者创建数据库对象，并通过这些对象执行各种数据库操作，如查询数据、获取表结构信息等‌12。

主要功能和应用场景
‌执行SQL查询‌：SQLDatabase Toolkit通过QuerySQLDatabaseTool执行SQL查询并获取结果，这使得AI系统能够从数据库中检索所需数据‌23。
‌探索数据库结构‌：使用InfoSQLDatabaseTool和ListSQLDatabaseTool，AI代理可以获取表的模式和示例数据，以及列出数据库中的所有表‌23。
‌验证SQL语句‌：QuerySQLCheckerTool提供了一个重要的安全层，能够在执行查询之前检查SQL语句的正确性，从而减少潜在的风险‌

3. 生成sql

write_query = create_sql_query_chain(llm, db,prompt = custom_prompt)

注意：如果不加上prompt，成功率会大大降低。有时候会因为有前缀sql而报错。所以我这里加上了prompt：

custom_prompt = PromptTemplate(    input_variables=["dialect", "input", "table_info", "top_k"],    template="""You are a SQL expert using {dialect}.Given the following table schema:{table_info}Generate a syntactically correct SQL query to answer the question: "{input}".Limit the results to at most {top_k} rows.Return only the SQL query without any additional commentary or Markdown formatting.注意，不要有下面的错误：- Only return SQL Query not anything else like ```sql ... ```- Using NOT IN with NULL values- Using UNION when UNION ALL should have been used- Using BETWEEN for exclusive ranges- Data type mismatch in predicates\- Using the correct number of arguments for functions- Casting to the correct data type- Using the proper columns for joins""")

安全提示：此链为给定的数据库生成SQL查询。

SQLDatabase类提供了一个get_table_info方法，可用于从表中获取列信息和示例数据。

为了降低泄露敏感数据的风险，请将读取权限和范围限制在所需的表中。

（可选）使用SQLInputWithTables输入类型指定允许访问哪些表。

控制对谁可以向此链提交请求的访问权限。

4.执行sql

execute_query = QuerySQLDataBaseTool(db=db)

这一段是输出sql的执行阶段可以看下他的描述

对数据库执行SQL查询并返回结果。。如果查询不正确，将返回错误消息。如果返回错误，请重写查询，检查查询，然后重试。

5.输出结果

chain = (        RunnablePassthrough.assign(query=write_query).assign(            result=itemgetter("query") | execute_query        )        | answer_prompt        | llm        | StrOutputParser())

1、RunnablePassthrough：

RunnablePassthrough 是一个可运行的类，其主要作用是将输入数据原封不动地传递给输出，同时还可以选择性地添加一些额外的键。如果输入是一个字典类型，它将非常有用，因为你可以在输出中添加新的计算结果。
主要功能
输入传递：基本的输入数据会被直接传递。
附加数据：可以通过 assign 方法在输出中添加额外的数据。
支持异步：可以处理异步函数，提供更高的性能。

此外：RunnablePassthrough.assign() 是一个静态方法，它允许你在不改变链当前状态值的情况下，为特定键分配新的值。这在创建用作后续步骤输入的字典时特别有用。

2:.assign(result=itemgetter(“query”) | execute_query)

使用 itemgetter("query") 从数据中提取出之前生成的 query 字段，再将其通过管道符号 | 传递给 execute_query 函数，执行查询操作。

最终，将查询结果存储到 result 字段中。

3、将生成的sql去 execute_query执行

4、调用answer_prompt 格式化输出

---

6.示例

input_data = {    "dialect": db.dialect,  # 数据库方言，如 "sqlite"    "table_info": db.get_table_info(),  # 表结构信息    "question": "查询动态执法任务池最近三个月的任务数量",    "top_k": 20,}response = chain.invoke(input_data)print(response)

答案和生成的sql如下：

答案：最近三个月动态执法任务池的任务数量为100。SQL 查询：```sqlSELECT COUNT(*) AS task_countFROM zhhs_enf_law_task_poolWHERE create_date >= DATE_SUB(CURDATE(), INTERVAL 3 MONTH);```注意：原查询中的 `LIMIT 20;` 对于计数操作来说是不必要的，因为它限制了返回的行数，但在这个上下文中我们只需要一个总数。因此，在这里我将其移除了。如果确实需要对结果进行某种形式的限制，请根据实际需求调整。不过对于本问题的答案而言，这个修改不会影响最终的结果展示。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】