Я разрабатываю скрипт на Python для общения с базой данных SQL-сервера. Сейчас я использую Langchain для связи с моделями LLM OpenAI. В документации langchain я нашел два способа общения с базой данных SQL: агенты и цепочки. Во время своих тестов я обнаружил, что CHAINS работает быстрее, чем AGENTS, когда получает запрос (запрос написан на естественном языке, а не на SQL-запросе) и возвращает ответ. Этот тест проводился только для одной базы данных и одной таблицы.
Другой тест включал вторые таблицы в той же базе данных. В результате AGENTS очень хорошо работает с ошибкой: «имя столбца неоднозначно (ошибка 209)». Но CHAINS возвращает ошибку 209. Это произошло потому, что обе таблицы имеют одинаковые «головы» вверху. Я думаю, если есть другие проблемы, возможно, ЦЕПИ, даже будучи быстрыми, не помогут дать ответы.
Но сейчас мне хотелось бы повысить уровень чата. А как насчет наличия двух или более баз данных на SQL (каждая база данных с одной или несколькими таблицами). Как вы можете видеть в документации LANGCHAIN (CHAINS или AGENTS), просто используйте учетные данные для доступа к соответствующей базе данных. Аналогично любому другому пакету базы данных на Python (sqlalchemy, pymsql,...).
Кто-то мог бы дать мне совет или, возможно, работал в аналогичном проекте «чата с SQL». Возможно, использование слоя перед введением запроса в langchain, организация запроса для распознавания каждой базы данных и т. д. могут быть решениями. Или, в конце концов, еще один инструмент для общения с вашей базой данных, но с использованием LLM. Я ценю ваше предложение.
Agents-langchain: https://python.langchain.com/docs/modul ... l_database
Цепочки-Langchain: https://python.langchain.com/docs/modul ... lar/sqlite
Подробнее здесь: https://stackoverflow.com/questions/766 ... -langchain
