跳到主要内容
本笔记本演示了如何使用 Kinetica 将自然语言转换为 SQL 并简化数据检索过程。此演示旨在展示创建和使用链的机制，而非 LLM 的功能。

​
概览

通过 Kinetica LLM 工作流程，您可以在数据库中创建 LLM 上下文，该上下文提供推理所需的信息，包括表、注释、规则和示例。调用 ChatKinetica.load_messages_from_context() 将从数据库中检索上下文信息，以便用于创建聊天提示。 聊天提示由一个 SystemMessage 和包含问题/SQL 对的 HumanMessage/AIMessage 对组成。您可以将配对示例添加到此列表中，但它并非旨在促进典型的自然语言对话。 当您从聊天提示创建链并执行它时，Kinetica LLM 将从输入生成 SQL。您可以选择使用 KineticaSqlOutputParser 执行 SQL 并将结果作为数据框返回。 目前，支持 2 个 LLM 用于 SQL 生成：
  1. Kinetica SQL-GPT：此 LLM 基于 OpenAI ChatGPT API。
  2. Kinetica SqlAssist：此 LLM 专门用于与 Kinetica 数据库集成，并且可以在安全的客户场所运行。
在本演示中，我们将使用 SqlAssist。有关更多信息，请参阅 Kinetica 文档站点。

​
先决条件

要开始使用，您需要一个 Kinetica DB 实例。如果您没有，可以获取一个免费的开发实例。 您需要安装以下软件包……
# Install LangChain community and core packages
pip install -qU langchain-core langchain-community

# Install Kinetica DB connection package
pip install -qU 'gpudb>=7.2.0.8' typeguard pandas tqdm

# Install packages needed for this tutorial
pip install -qU faker ipykernel

​
数据库连接

您必须在以下环境变量中设置数据库连接。如果您正在使用虚拟环境，可以在项目的 .env 文件中设置它们
  • KINETICA_URL：数据库连接 URL
  • KINETICA_USER：数据库用户
  • KINETICA_PASSWD：安全密码。
如果您可以创建 KineticaChatLLM 实例，则表示您已成功连接。 
from langchain_community.chat_models.kinetica import ChatKinetica

kinetica_llm = ChatKinetica()

# Test table we will create
table_name = "demo.user_profiles"

# LLM Context we will create
kinetica_ctx = "demo.test_llm_ctx"

​
创建测试数据

在生成 SQL 之前，我们需要创建一个 Kinetica 表和一个可以推断该表的 LLM 上下文。

​
创建一些虚假用户资料

我们将使用 faker 包创建一个包含 100 个虚假资料的数据框。 
from typing import Generator

import pandas as pd
from faker import Faker

Faker.seed(5467)
faker = Faker(locale="en-US")


def profile_gen(count: int) -> Generator:
    for id in range(0, count):
        rec = dict(id=id, **faker.simple_profile())
        rec["birthdate"] = pd.Timestamp(rec["birthdate"])
        yield rec


load_df = pd.DataFrame.from_records(data=profile_gen(100), index="id")
print(load_df.head())

         username             name sex  \
id
0       eduardo69       Haley Beck   F
1        lbarrera  Joshua Stephens   M
2         bburton     Paula Kaiser   F
3       melissa49      Wendy Reese   F
4   melissacarter      Manuel Rios   M

                                              address                    mail  \
id
0   59836 Carla Causeway Suite 939\nPort Eugene, I...  meltondenise@yahoo.com
1   3108 Christina Forges\nPort Timothychester, KY...     erica80@hotmail.com
2                    Unit 7405 Box 3052\nDPO AE 09858  timothypotts@gmail.com
3   6408 Christopher Hill Apt. 459\nNew Benjamin, ...        dadams@gmail.com
4    2241 Bell Gardens Suite 723\nScottside, CA 38463  williamayala@gmail.com

    birthdate
id
0  1997-12-08
1  1924-08-03
2  1933-12-05
3  1988-10-26
4  1931-03-19

​
从数据框创建 Kinetica 表

from gpudb import GPUdbTable

gpudb_table = GPUdbTable.from_df(
    load_df,
    db=kinetica_llm.kdbc,
    table_name=table_name,
    clear_table=True,
    load_data=True,
)

# See the Kinetica column types
print(gpudb_table.type_as_df())

        name    type   properties
0   username  string     [char32]
1       name  string     [char32]
2        sex  string      [char2]
3    address  string     [char64]
4       mail  string     [char32]
5  birthdate    long  [timestamp]

​
创建 LLM 上下文

您可以使用 Kinetica Workbench UI 创建 LLM 上下文，也可以使用 CREATE OR REPLACE CONTEXT 语法手动创建。 这里我们根据 SQL 语法创建一个上下文，引用我们创建的表。
from gpudb import GPUdbSamplesClause, GPUdbSqlContext, GPUdbTableClause

table_ctx = GPUdbTableClause(table=table_name, comment="Contains user profiles.")

samples_ctx = GPUdbSamplesClause(
    samples=[
        (
            "How many male users are there?",
            f"""
            select count(1) as num_users
                from {table_name}
                where sex = 'M';
            """,
        )
    ]
)

context_sql = GPUdbSqlContext(
    name=kinetica_ctx, tables=[table_ctx], samples=samples_ctx
).build_sql()

print(context_sql)
count_affected = kinetica_llm.kdbc.execute(context_sql)
count_affected

CREATE OR REPLACE CONTEXT "demo"."test_llm_ctx" (
    TABLE = "demo"."user_profiles",
    COMMENT = 'Contains user profiles.'
),
(
    SAMPLES = (
        'How many male users are there?' = 'select count(1) as num_users
    from demo.user_profiles
    where sex = ''M'';' )
)

1

​
使用 LangChain 进行推理

在下面的示例中，我们将从之前创建的表和 LLM 上下文创建一条链。该链将生成 SQL 并将结果数据作为数据框返回。

​
从 Kinetica 数据库加载聊天提示

此链的最后一个元素是 KineticaSqlOutputParser，它将执行 SQL 并返回一个数据框。这是可选的，如果省略它，则只返回 SQL。 
from langchain_core.prompts import ChatPromptTemplate

# load the context from the database
ctx_messages = kinetica_llm.load_messages_from_context(kinetica_ctx)

# Add the input prompt. This is where input question will be substituted.
ctx_messages.append(("human", "{input}"))

# Create the prompt template.
prompt_template = ChatPromptTemplate.from_messages(ctx_messages)
prompt_template.pretty_print()

================================ System Message ================================

CREATE TABLE demo.user_profiles AS
(
   username VARCHAR (32) NOT NULL,
   name VARCHAR (32) NOT NULL,
   sex VARCHAR (2) NOT NULL,
   address VARCHAR (64) NOT NULL,
   mail VARCHAR (32) NOT NULL,
   birthdate TIMESTAMP NOT NULL
);
COMMENT ON TABLE demo.user_profiles IS 'Contains user profiles.';

================================ Human Message =================================

How many male users are there?

================================== Ai Message ==================================

select count(1) as num_users
    from demo.user_profiles
    where sex = 'M';

================================ Human Message =================================

{input}

​
创建链

我们创建的链将以问题作为输入，并返回包含生成的 SQL 和数据的 KineticaSqlResponse。问题必须与我们用于创建提示的 LLM 上下文相关。 
from langchain_community.chat_models.kinetica import (
    KineticaSqlOutputParser,
    KineticaSqlResponse,
)

chain = prompt_template | kinetica_llm | KineticaSqlOutputParser(kdbc=kinetica_llm.kdbc)

​
生成 SQL

我们创建的链将以问题作为输入，并返回包含生成的 SQL 和数据的 KineticaSqlResponse。问题必须与我们用于创建提示的 LLM 上下文相关。 
# Here you must ask a question relevant to the LLM context provided in the prompt template.
response: KineticaSqlResponse = chain.invoke(
    {"input": "What are the female users ordered by username?"}
)

print(f"SQL: {response.sql}")
print(response.dataframe.head())

SQL: SELECT username, name
    FROM demo.user_profiles
    WHERE sex = 'F'
    ORDER BY username;
      username               name
0  alexander40       Tina Ramirez
1      bburton       Paula Kaiser
2      brian12  Stefanie Williams
3    brownanna      Jennifer Rowe
4       carl19       Amanda Potts
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.