Zapytania z agentem SQL Databricks

Databricks z Python SDK

Avi Steinberg

Senior Software Engineer

Databricks Unity Catalog

Podstawowa metoda przechowywania danych w Databricks
Zawiera schematy, które mogą obejmować wiele tabel
Tabele w schemacie można tworzyć z wielu różnych źródeł
W katalogu samples dostępnych jest wiele schematów open-source

Databricks Unity Catalog

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

LangChain

Biblioteka do tworzenia i wdrażania aplikacji opartych na LLM
Pozwala budować agenty AI, które odpytują dane za pomocą SQL

Zależności LangChain dla Pythona

Instalacja zależności pakietów Pythona:

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

Import bibliotek:

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

Databricks SQL Warehouse ID

Szczegóły połączenia z Databricks SQL Warehouse

Uwierzytelnianie LangChain w obszarze roboczym Databricks

Eksport zmiennych środowiskowych:

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

Agent SQL Databricks

Zadawaj agentowi AI pytania o dane w schemacie katalogu Databricks
Agent AI potrafi odpowiadać na pytania wymagające użycia SQL
Użyj verbose=True, aby agent pokazywał kolejne kroki swojego działania

Wynik zapytania LangChain

Odpytywanie katalogu za pomocą agenta SQL Databricks

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

Tworzenie bazy danych SQL LangChain z katalogu 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

Tworzenie LLM LangChain z modelu bazowego

llm = ChatDatabricks(

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

    temperature=0.1,
    max_tokens=100,
)

temperature: liczba zmiennoprzecinkowa z zakresu 0–1 określająca losowość odpowiedzi modelu
max_tokens: maksymalna liczba tokenów w odpowiedzi

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

Tworzenie zestawu narzędzi SQL LangChain

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

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

Tworzenie agenta SQL Databricks

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

Czas na praktykę!

Databricks z Python SDK