处理 SQL 问答时如何应对大型数据库

为了编写针对数据库的有效查询，我们需要将表名、表结构和特征值提供给模型，以便其进行查询。当存在大量表、列和/或高基数列时，我们无法在每次提示中 dumping 数据库的全部信息。相反，我们必须找到方法，仅在提示中动态插入最相关的信息。

在本指南中，我们演示了识别此类相关信息并将其输入到查询生成步骤的方法。我们将涵盖：

识别相关的表子集；
识别相关的一列值子集。

设置

首先，获取所需的软件包并设置环境变量：

%pip install --upgrade --quiet  langchain langchain-community langchain-openai

# Uncomment the below to use LangSmith. Not required.
# import os
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass()
# os.environ["LANGSMITH_TRACING"] = "true"

下面的示例将使用带有 Chinook 数据库的 SQLite 连接。请遵循这些安装步骤以在同一目录下创建 Chinook.db：

保存此文件为 Chinook_Sqlite.sql
运行 sqlite3 Chinook.db
运行 .read Chinook_Sqlite.sql
测试 SELECT * FROM Artist LIMIT 10;

现在，Chinook.db 已存在于我们的目录中，我们可以使用由 SQLAlchemy 驱动的 SQLDatabase 类与其进行交互：

from langchain_community.utilities import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///Chinook.db")
print(db.dialect)
print(db.get_usable_table_names())
print(db.run("SELECT * FROM Artist LIMIT 10;"))

API 参考:SQL数据库

sqlite
['Album', 'Artist', 'Customer', 'Employee', 'Genre', 'Invoice', 'InvoiceLine', 'MediaType', 'Playlist', 'PlaylistTrack', 'Track']
[(1, 'AC/DC'), (2, 'Accept'), (3, 'Aerosmith'), (4, 'Alanis Morissette'), (5, 'Alice In Chains'), (6, 'Antônio Carlos Jobim'), (7, 'Apocalyptica'), (8, 'Audioslave'), (9, 'BackBeat'), (10, 'Billy Cobham')]

许多表格

我们需要在提示词中包含的相关信息之一是相关表的架构。当我们有很多表时，无法将所有架构放入单个提示词中。在这种情况下，我们可以首先提取与用户输入相关的表名，然后仅包含它们的架构。

一种简单可靠的方法是使用工具调用。下面，我们展示如何利用此功能获取符合期望格式的输出（在本例中为表名列表）。我们使用聊天模型的.bind_tools方法以 Pydantic 格式绑定工具，并将该工具输入到输出解析器中，以便从模型响应中重构对象。

选择聊天模型:

pip install -qU "langchain[openai]"

import getpass
import os

if not os.environ.get("OPENAI_API_KEY"):
  os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")

from langchain.chat_models import init_chat_model

llm = init_chat_model("gpt-4o-mini", model_provider="openai")

from langchain_core.output_parsers.openai_tools import PydanticToolsParser
from langchain_core.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field


class Table(BaseModel):
    """Table in SQL database."""

    name: str = Field(description="Name of table in SQL database.")


table_names = "\n".join(db.get_usable_table_names())
system = f"""Return the names of ALL the SQL tables that MIGHT be relevant to the user question. \
The tables are:

{table_names}

Remember to include ALL POTENTIALLY RELEVANT tables, even if you're not sure that they're needed."""

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", system),
        ("human", "{input}"),
    ]
)
llm_with_tools = llm.bind_tools([Table])
output_parser = PydanticToolsParser(tools=[Table])

table_chain = prompt | llm_with_tools | output_parser

table_chain.invoke({"input": "What are all the genres of Alanis Morisette songs"})

API 参考:Pydantic工具解析器 |ChatPromptTemplate

[Table(name='Genre')]

这效果相当不错！不过，正如我们下面将看到的，我们实际上还需要一些其他表格。仅凭用户的问题，模型很难知道这些。在这种情况下，我们可以通过将表格分组来简化模型的任务。我们只需让模型在“音乐”和“商业”这两个类别中进行选择，然后从中筛选出所有相关的表格：

system = """Return the names of any SQL tables that are relevant to the user question.
The tables are:

Music
Business
"""

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", system),
        ("human", "{input}"),
    ]
)

category_chain = prompt | llm_with_tools | output_parser
category_chain.invoke({"input": "What are all the genres of Alanis Morisette songs"})

[Table(name='Music'), Table(name='Business')]

from typing import List


def get_tables(categories: List[Table]) -> List[str]:
    tables = []
    for category in categories:
        if category.name == "Music":
            tables.extend(
                [
                    "Album",
                    "Artist",
                    "Genre",
                    "MediaType",
                    "Playlist",
                    "PlaylistTrack",
                    "Track",
                ]
            )
        elif category.name == "Business":
            tables.extend(["Customer", "Employee", "Invoice", "InvoiceLine"])
    return tables


table_chain = category_chain | get_tables
table_chain.invoke({"input": "What are all the genres of Alanis Morisette songs"})

['Album',
 'Artist',
 'Genre',
 'MediaType',
 'Playlist',
 'PlaylistTrack',
 'Track',
 'Customer',
 'Employee',
 'Invoice',
 'InvoiceLine']

现在我们已经有了一个能够针对任何查询输出相关表的链，我们可以将其与 create_sql_query_chain 结合使用，该链可以接受一个列表 table_names_to_use 以确定哪些表架构被包含在提示中：

from operator import itemgetter

from langchain.chains import create_sql_query_chain
from langchain_core.runnables import RunnablePassthrough

query_chain = create_sql_query_chain(llm, db)
# Convert "question" key to the "input" key expected by current table_chain.
table_chain = {"input": itemgetter("question")} | table_chain
# Set table_names_to_use using table_chain.
full_chain = RunnablePassthrough.assign(table_names_to_use=table_chain) | query_chain

API 参考:创建 SQL 查询链 |可运行传递器

query = full_chain.invoke(
    {"question": "What are all the genres of Alanis Morisette songs"}
)
print(query)

SELECT DISTINCT "g"."Name"
FROM "Genre" g
JOIN "Track" t ON "g"."GenreId" = "t"."GenreId"
JOIN "Album" a ON "t"."AlbumId" = "a"."AlbumId"
JOIN "Artist" ar ON "a"."ArtistId" = "ar"."ArtistId"
WHERE "ar"."Name" = 'Alanis Morissette'
LIMIT 5;

db.run(query)

"[('Rock',)]"

我们可以看到此运行的 LangSmith 跟踪此处。

我们已经了解了如何在链中的提示里动态包含一部分表模式。另一种解决此问题的方法是让智能体自行决定何时查找表，并为其提供一个执行此操作的工具。你可以在SQL：智能体指南中看到此类示例。

高基数列

为了筛选包含专有名词（如地址、歌曲名称或艺术家）的列，我们首先需要对拼写进行双重检查，以便正确过滤数据。

一种简单的策略是创建一个向量存储，其中包含数据库中所有不同的专有名词。然后，我们可以针对每个用户输入查询该向量存储，并将最相关的专有名词注入到提示中。

首先，我们需要为每个目标实体获取唯一值，为此我们定义一个函数将结果解析为元素列表：

import ast
import re


def query_as_list(db, query):
    res = db.run(query)
    res = [el for sub in ast.literal_eval(res) for el in sub if el]
    res = [re.sub(r"\b\d+\b", "", string).strip() for string in res]
    return res


proper_nouns = query_as_list(db, "SELECT Name FROM Artist")
proper_nouns += query_as_list(db, "SELECT Title FROM Album")
proper_nouns += query_as_list(db, "SELECT Name FROM Genre")
len(proper_nouns)
proper_nouns[:5]

['AC/DC', 'Accept', 'Aerosmith', 'Alanis Morissette', 'Alice In Chains']

现在我们可以将所有值嵌入并存储到向量数据库中：

from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings

vector_db = FAISS.from_texts(proper_nouns, OpenAIEmbeddings())
retriever = vector_db.as_retriever(search_kwargs={"k": 15})

API 参考:FAISS |OpenAI 嵌入

并构建一个查询链，该链首先从数据库检索值并将其插入到提示中：

from operator import itemgetter

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

system = """You are a SQLite expert. Given an input question, create a syntactically
correct SQLite query to run. Unless otherwise specificed, do not return more than
{top_k} rows.

Only return the SQL query with no markup or explanation.

Here is the relevant table info: {table_info}

Here is a non-exhaustive list of possible feature values. If filtering on a feature
value make sure to check its spelling against this list first:

{proper_nouns}
"""

prompt = ChatPromptTemplate.from_messages([("system", system), ("human", "{input}")])

query_chain = create_sql_query_chain(llm, db, prompt=prompt)
retriever_chain = (
    itemgetter("question")
    | retriever
    | (lambda docs: "\n".join(doc.page_content for doc in docs))
)
chain = RunnablePassthrough.assign(proper_nouns=retriever_chain) | query_chain

API 参考:聊天提示模板 |可运行传递器

为了尝试我们的链，让我们看看当我们尝试对"elenis moriset"（Alanis Morissette 的拼写错误）进行过滤时，在有无检索的情况下会发生什么：

# Without retrieval
query = query_chain.invoke(
    {"question": "What are all the genres of elenis moriset songs", "proper_nouns": ""}
)
print(query)
db.run(query)

SELECT DISTINCT g.Name 
FROM Track t
JOIN Album a ON t.AlbumId = a.AlbumId
JOIN Artist ar ON a.ArtistId = ar.ArtistId
JOIN Genre g ON t.GenreId = g.GenreId
WHERE ar.Name = 'Elenis Moriset';

''

# With retrieval
query = chain.invoke({"question": "What are all the genres of elenis moriset songs"})
print(query)
db.run(query)

SELECT DISTINCT g.Name
FROM Genre g
JOIN Track t ON g.GenreId = t.GenreId
JOIN Album a ON t.AlbumId = a.AlbumId
JOIN Artist ar ON a.ArtistId = ar.ArtistId
WHERE ar.Name = 'Alanis Morissette';

"[('Rock',)]"

我们可以看到，通过检索功能，我们能够将拼写从"Elenis Moriset"纠正为"Alanis Morissette"，并返回一个有效的结果。

解决此问题的另一种方法是让智能体自行决定何时查找专有名词。您可以在SQL：智能体指南中查看相关示例。

设置​

许多表格​

高基数列​

设置

许多表格

高基数列