Запити за допомогою Databricks SQL agent

Databricks із Python SDK

Avi Steinberg

Senior Software Engineer

Databricks Unity Catalog

Основний спосіб зберігання даних у Databricks
Містить схеми, у яких може бути кілька таблиць
Створюйте таблиці в схемі з різних джерел
У каталозі samples є кілька відкритих схем

Databricks Unity Catalog

¹ https://docs.databricks.com/aws/en/catalogs/

LangChain

Бібліотека для створення й розгортання застосунків на LLM
Дозволяє створювати AI-агентів, що використовують SQL для запитів до даних

Залежності Python для LangChain

Встановіть залежності пакунків Python:

pip install --upgrade databricks-langchain langchain-community langchain 
                      databricks-sql-connector databricks-sqlalchemy

Імпортуйте бібліотеки:

from langchain_community.agent_toolkits import create_sql_agent
from langchain_community.agent_toolkits import SQLDatabaseToolkit
from langchain_community.utilities import SQLDatabase
from databricks_langchain import ChatDatabricks

Ідентифікатор Databricks SQL Warehouse

Databricks SQL Warehouse Connection Details

Автентифікуйте LangChain у робочому просторі Databricks

Експортуйте змінні середовища:

os.environ["DATABRICKS_TOKEN"] = "<Your-Access-Token>"
os.environ["DATABRICKS_HOST"] = "<your-workspace-id>.cloud.databricks.com"

Databricks SQL agent

Ставте AI-агенту запитання про дані в схемі каталогу Databricks
AI-агент відповідає на запитання про дані, що потребують SQL
Вкажіть verbose=True, щоб агент показував хід роботи

LangChain Query output

Використовуйте Databricks SQL agent для запитів до Catalog

db = SQLDatabase.from_databricks(
    catalog="samples", 
    schema="nyctaxi",
    warehouse_id=warehouse_id)
llm = ChatDatabricks(
    endpoint="databricks-meta-llama-3-3-70b-instruct",
    temperature=0.1,
    max_tokens=100)
toolkit = SQLDatabaseToolkit(db=db, llm=llm)
agent = create_sql_agent(llm=llm, toolkit=toolkit, verbose=True)
# Query the Databricks SQL Agent
result = agent.run("What's the time and distance of the longest trip?")
print(result)

¹ https://docs.databricks.com/aws/en/large-language-models/langchain#databricks-sql-agent

Створіть базу даних SQL LangChain з каталогу Databricks

db = SQLDatabase.from_databricks(
    catalog="samples", 
    schema="nyctaxi",
    warehouse_id="<your-warehouse-id>"
)

¹ api.python.langchain.com/en/latest/utilities/langchain_community.utilities.sql_database.SQLDatabase.html

Створіть LLM LangChain на базовій моделі

llm = ChatDatabricks(

    endpoint="databricks-meta-llama-3-3-70b-instruct",

    temperature=0.1,
    max_tokens=100,
)

temperature: число від 0 до 1, що визначає випадковість відповідей моделі
max_tokens: максимальна кількість токенів у відповіді

¹ https://docs.databricks.com/aws/en/large-language-models/langchain

Створіть набір інструментів SQL LangChain

toolkit = SQLDatabaseToolkit(db=db, llm=llm)

¹ https://docs.databricks.com/aws/en/large-language-models/langchain

Створіть Databricks SQL Agent

agent = create_sql_agent(llm=llm, toolkit=toolkit, verbose=True)

result = agent.run("What's the time and distance of the longest trip?")
display(result)

The average trip takes approximately 15 minutes.

¹ https://docs.databricks.com/aws/en/large-language-models/langchain

Виконаймо запити до даних у Databricks!

Databricks із Python SDK