基于SQL数据库构建问答系统

文摘 2025-01-10 12:11 四川

使 LLM 系统能够查询结构化数据与非结构化文本数据在质量上可能有所不同。在后者中，通常生成可以在矢量数据库中搜索的文本，而结构化数据的方法通常是让 LLM 在 DSL（如 SQL）中编写和执行查询。

在教程中，我们将介绍在数据库中的表格数据上创建问答系统的基本方法。我们将介绍使用chain和agent的实现。

这些系统将允许我们询问有关数据库中的数据的问题并得到自然语言答案。两者之间的主要区别在于，我们的代理可以根据需要多次循环查询数据库以回答问题。

从高层次来看，这些系统的步骤如下：

将问题转换为 SQL 查询：模型将用户输入转换为 SQL 查询
执行 SQL 查询：执行查询
回答问题：模型使用查询结果响应用户输入。

前置准备

首先是样本数据，我们直接使用官方的示例来讲把，构造这个数据有点麻烦

curl -s https://raw.githubusercontent.com/lerocha/chinook-database/master/ChinookDatabase/DataSources/Chinook_Sqlite.sql | sqlite3 Chinook.db

执行这个命令，之后我们在当前项目文件夹下会得到一个样本数据Chinook.db的样本数据，我们会使用SqlLite来打开。SQLDatabase是一个基本上所有SQL数据库的一个顶级包装，因此，如果将uri换成postgresql或者其它的SQL数据库也都是一样的操作。

from langchain_community.utilities import SQLDatabasedb = SQLDatabase.from_uri("sqlite:///Chinook.db")print(db.dialect)print(db.run("SELECT * FROM Artist LIMIT 10;"))

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')]

chain是由组织好的step组成的。在LangGraph中，我们可以通过简单的node sequence来表示chain。让我们创建一个step sequence，给定一个问题，执行以下操作：

将问题转换为 SQL 查询；
执行查询；
利用结果来回答原始问题。

注意，这种组织目前不支持某些场景。比如，它将对任何用户input执行 SQL 查询——甚至是“你好”。重要的是，正如我们将在下面看到的，有些问题需要多个查询才能回答，这些agent我们将在代理部分中解决这些场景。

应用的 state

我们应用程序的LangGraph state 控制着哪些数据输入到应用程序、在step之间传输以及由应用程序输出。它通常是TypedDict，但也可以是Pydantic BaseModel类型。

对于这个应用程序，我们只需跟踪输入的问题、生成的查询、查询结果和生成的答案：

from typing_extensions import TypedDictclass State(TypedDict):    question: str    query: str    result: str    answer: str

现在我们只需要一些对这个状态进行操作并填充其内容的函数。

将问题转换为 SQL 查询

第一步是获取用户输入并将其转换为 SQL 查询。为了可靠地获取 SQL 查询（缺少 markdown 格式和解释或说明），我们将利用 LangChain 的结构化输出抽象。

依然使用我们的ollama chat，然后使用hub专门的sql-query-system-prompt：

model = ChatOllama(base_url=base_conf.base_url,                 model=base_conf.model_name,                 temperature=0)
from langchain import hubquery_prompt_template = hub.pull("langchain-ai/sql-query-system-prompt")assert len(query_prompt_template.messages) == 1query_prompt_template.messages[0].pretty_print()

================================ System Message ================================
Given an input question, create a syntactically correct {dialect} query to run to help find the answer. Unless the user specifies in his question a specific number of examples they wish to obtain, always limit your query to at most {top_k} results. You can order the results by a relevant column to return the most interesting examples in the database.
Never query for all the columns from a specific table, only ask for a the few relevant columns given the question.
Pay attention to use only the column names that you can see in the schema description. Be careful to not query for columns that do not exist. Also, pay attention to which column is in which table.
Only use the following tables:{table_info}
Question: {input}

可以看到这个prompt专业又严谨：prompt包含我们需要填充的几个参数，例如 SQL dialect 和表table schemas。LangChain 的 SQLDatabase 对象包含可帮助实现此目的的方法。

我们的 write_query 步骤将仅填充这些参数并提示模型生成 SQL 查询：

from typing_extensions import Annotated# 结构化输出的schemaclass QueryOutput(TypedDict):    """Generated SQL query."""    query: Annotated[str, ..., "Syntactically valid SQL query."]
def write_query(state: State):    """Generate SQL query to fetch information."""    prompt = query_prompt_template.invoke(        # 填充 sql-query-system-prompt 的模板        {            "dialect": db.dialect,            "top_k": 10,            "table_info": db.get_table_info(),            "input": state["question"],        }    )        # 注册结构化输出    structured_llm = model.with_structured_output(QueryOutput)    result = structured_llm.invoke(prompt)    # 将QueryOutput的query字段返回    return {"query": result["query"]}

测试一下：

write_query({"question": "How many Employees are there?"})

{'query': 'SELECT COUNT(*) FROM Employee'}

不错，非常好！

执行SQL查询

这是创建 SQL 链中最危险的部分。请仔细考虑是否可以对数据运行自动查询（万一它是错误的修改query或者是性能很差的big query.....）。

因此可以尽可能减少数据库连接权限，并且考虑在查询执行之前向chain中添加人工批准步骤（见下文）。

为了执行查询，我们将从 langchain-community 加载一个工具。我们的 execute_query 节点将包装此工具：

from langchain_community.tools.sql_database.tool import QuerySQLDatabaseTool
def execute_query(state: State):    """Execute SQL query."""    execute_query_tool = QuerySQLDatabaseTool(db=db)    return {"result": execute_query_tool.invoke(state["query"])}print(execute_query({"query": "SELECT COUNT(*) FROM Employee;"}))

{'result': '[(8,)]'}

生成回答

最后，我们最后一步是根据从数据库中提取的信息生成问题的答案：

def generate_answer(state: State):    """Answer question using retrieved information as context."""    prompt = (        "Given the following user question, corresponding SQL query, "        "and SQL result, answer the user question.\n\n"        f'Question: {state["question"]}\n'        f'SQL Query: {state["query"]}\n'        f'SQL Result: {state["result"]}'    )        response = model.invoke(prompt)    return {"answer": response.content}

使用 LangGraph 进行编排

最后，我们将应用程序编译为单个graph对象。在本例中，我们只是将三个step连接成一个sequence。

from langgraph.graph import START, StateGraphgraph_builder = StateGraph(State).add_sequence(    [write_query, execute_query, generate_answer])
graph_builder.add_edge(START, "write_query")graph = graph_builder.compile()

让我们测试一下我们的应用程序！请注意，我们可以流式传输各个步骤的结果：

for step in graph.stream(    {"question": "How many employees are there?"}, stream_mode="updates"):    print(step)

{'write_query': {'query': 'SELECT COUNT(*) FROM Employee'}}{'execute_query': {'result': '[(8,)]'}}{'generate_answer': {'answer': "Based on the SQL result provided, the number of employees is 8. Therefore, to directly answer the user's question:\n\nThere are 8 employees."}}

人机交互

LangGraph 支持许多可用于此工作流程的功能。其中之一是人机交互：我们可以在敏感步骤（例如执行 SQL 查询）之前中断应用程序，以供人工审核。

这是由 LangGraph 的持久层实现的，它将运行进度保存到选择的存储中。下面，我们指定内存中的存储：

from langgraph.checkpoint.memory import MemorySavermemory = MemorySaver()graph = graph_builder.compile(checkpointer=memory, interrupt_before=["execute_query"])# 现在我们使用持久性，我们需要指定一个线程ID# 这样我们就可以在审查后继续运行。config = {"configurable": {"thread_id": "1"}}

现在的流程如下图所示

让我们重复相同的操作，添加一个简单的“是/否”批准step：

for step in graph.stream(    {"question": "How many employees are there?"},    config,    stream_mode="updates",):    print(step)try:    # 接受一个输入，询问用户是否继续    user_approval = input("Do you want to go to execute query? (yes/no): ")except Exception:    user_approval = "no"if user_approval.lower() == "yes":    # 如果通过继续graph的流程    for step in graph.stream(None, config, stream_mode="updates"):        print(step)else:    print("Operation cancelled by user.")

{'write_query': {'query': 'SELECT COUNT(*) FROM Employee'}}{'__interrupt__': ()}Do you want to go to execute query? (yes/no): yes
{'execute_query': {'result': '[(8,)]'}}{'generate_answer': {'answer': "Based on the SQL result provided, the number of employees is 8. Therefore, to directly answer the user's question:\n\nThere are 8 employees."}}

对于更复杂的查询生成，我们可能需要创建少样本提示或添加查询检查步骤。

agent

agent利用 LLM 的推理能力在执行过程中做出决策。使用代理可以让您在查询生成和执行过程中减轻额外的负担。虽然它们的行为比上面的“chain”更难预测，但它们具有一些优点：

他们可以根据需要多次查询数据库来回答用户的问题。
他们可以通过运行生成的查询、捕获回溯并正确地重新生成来从错误中恢复。
他们可以根据数据库的schame以及数据库的内容（如描述特定的表）回答问题。

下面我们组装一个最小的 SQL agent。我们将使用 LangChain 的 SQLDatabaseToolkit 为其配备一套工具。使用 LangGraph 预构建的 ReAct 代理构造函数，我们可以在一行中完成此操作。

SQLDatabaseToolkit 包含的工具可以：

创建和执行查询
检查查询语法
检索表描述
... 等等

from langchain_community.agent_toolkits import SQLDatabaseToolkittoolkit = SQLDatabaseToolkit(db=db, llm=model)tools = toolkit.get_tools()print(tools)

[QuerySQLDatabaseTool(description="此工具的输入是详细且正确的 SQL 查询，输出是数据库的结果。如果查询不正确，将返回错误消息。如果返回错误，请重写查询，检查查询，然后重试。如果您遇到“字段列表”中未知列“xxxx”的问题，请使用 sql_db_schema 查询正确的表字段.", db=<langchain_community.utilities.sql_database.SQLDatabase object at 0x11f3ea6d0>), InfoSQLDatabaseTool(description='此工具的输入是逗号分隔的表列表，输出是这些表的架构和示例行。首先调用 sql_db_list_tables 确保表确实存在！示例输入：table1、table2、table3', db=<langchain_community.utilities.sql_database.SQLDatabase object at 0x11f3ea6d0>), ListSQLDatabaseTool(db=<langchain_community.utilities.sql_database.SQLDatabase object at 0x11f3ea6d0>), QuerySQLCheckerTool(description='使用此工具在执行查询之前仔细检查查询是否正确。在使用 sql_db_query 执行查询之前，请务必使用此工具！', db=<langchain_community.utilities.sql_database.SQLDatabase object at 0x11f3ea6d0>, llm=ChatOllama(model='qwen2.5:7b', temperature=0.0, base_url='http://192.168.0.111:11434'), llm_chain=LLMChain(verbose=False, prompt=PromptTemplate(input_variables=['dialect', 'query'], input_types={}, partial_variables={}, template='\n{query}\nDouble check the {dialect} query above for common mistakes, including:\n- Using NOT IN with NULL values\n- Using UNION when UNION ALL should have been used\n- Using BETWEEN for exclusive ranges\n- Data type mismatch in predicates\n- Properly quoting identifiers\n- Using the correct number of arguments for functions\n- Casting to the correct data type\n- Using the proper columns for joins\n\nIf there are any of the above mistakes, rewrite the query. If there are no mistakes, just reproduce the original query.\n\nOutput the final SQL query only.\n\nSQL Query: '), llm=ChatOllama(model='qwen2.5:7b', temperature=0.0, base_url='http://192.168.0.111:11434'), output_parser=StrOutputParser(), llm_kwargs={}))]

system prompt

我们还需要为我们的代理加载系统提示。这将包括如何操作的说明。

from langchain import hubprompt_template = hub.pull("langchain-ai/sql-agent-system-prompt")assert len(prompt_template.messages) == 1
prompt_template.messages[0].pretty_print()system_message = prompt_template.format(dialect="SQLite", top_k=5)

================================ System Message ================================
You are an agent designed to interact with a SQL database.Given an input question, create a syntactically correct {dialect} query to run, then look at the results of the query and return the answer.Unless the user specifies a specific number of examples they wish to obtain, always limit your query to at most {top_k} results.You can order the results by a relevant column to return the most interesting examples in the database.Never query for all the columns from a specific table, only ask for the relevant columns given the question.You have access to tools for interacting with the database.Only use the below tools. Only use the information returned by the below tools to construct your final answer.You MUST double check your query before executing it. If you get an error while executing a query, rewrite the query and try again.
DO NOT make any DML statements (INSERT, UPDATE, DELETE, DROP etc.) to the database.
To start you should ALWAYS look at the tables in the database to see what you can query.Do NOT skip this step.Then you should query the schema of the most relevant tables.

init agent

from langchain_core.messages import HumanMessagefrom langgraph.prebuilt import create_react_agentagent_executor = create_react_agent(model, tools, state_modifier=system_message)

考虑一下agent如何回答以下问题：

question = "哪个国家的顾客花费最多？"for step in agent_executor.stream(    {"messages": [{"role": "user", "content": question}]},    stream_mode="values",):    step["messages"][-1].pretty_print()

================================ Human Message =================================
哪个国家的顾客花费最多?================================== Ai Message ==================================Tool Calls:  sql_db_list_tables (2fc3f61b-c577-4a70-926c-cc57e21560d0) Call ID: 2fc3f61b-c577-4a70-926c-cc57e21560d0  Args:================================= Tool Message =================================Name: sql_db_list_tables
Album, Artist, Customer, Employee, Genre, Invoice, InvoiceLine, MediaType, Playlist, PlaylistTrack, Track================================== Ai Message ==================================Tool Calls:  sql_db_schema (9b6946be-2e19-42da-b2b7-101ac487db69) Call ID: 9b6946be-2e19-42da-b2b7-101ac487db69  Args:    table_names: Customer, Invoice================================= Tool Message =================================Name: sql_db_schema

CREATE TABLE "Customer" (	"CustomerId" INTEGER NOT NULL, 	"FirstName" NVARCHAR(40) NOT NULL, 	"LastName" NVARCHAR(20) NOT NULL, 	"Company" NVARCHAR(80), 	"Address" NVARCHAR(70), 	"City" NVARCHAR(40), 	"State" NVARCHAR(40), 	"Country" NVARCHAR(40), 	"PostalCode" NVARCHAR(10), 	"Phone" NVARCHAR(24), 	"Fax" NVARCHAR(24), 	"Email" NVARCHAR(60) NOT NULL, 	"SupportRepId" INTEGER, 	PRIMARY KEY ("CustomerId"), 	FOREIGN KEY("SupportRepId") REFERENCES "Employee" ("EmployeeId"))
/*3 rows from Customer table:CustomerId	FirstName	LastName	Company	Address	City	State	Country	PostalCode	Phone	Fax	Email	SupportRepId1	Luís	Gonçalves	Embraer - Empresa Brasileira de Aeronáutica S.A.	Av. Brigadeiro Faria Lima, 2170	São José dos Campos	SP	Brazil	12227-000	+55 (12) 3923-5555	+55 (12) 3923-5566	luisg@embraer.com.br	32	Leonie	Köhler	None	Theodor-Heuss-Straße 34	Stuttgart	None	Germany	70174	+49 0711 2842222	None	leonekohler@surfeu.de	53	François	Tremblay	None	1498 rue Bélanger	Montréal	QC	Canada	H2G 1A7	+1 (514) 721-4711	None	ftremblay@gmail.com	3*/

CREATE TABLE "Invoice" (	"InvoiceId" INTEGER NOT NULL, 	"CustomerId" INTEGER NOT NULL, 	"InvoiceDate" DATETIME NOT NULL, 	"BillingAddress" NVARCHAR(70), 	"BillingCity" NVARCHAR(40), 	"BillingState" NVARCHAR(40), 	"BillingCountry" NVARCHAR(40), 	"BillingPostalCode" NVARCHAR(10), 	"Total" NUMERIC(10, 2) NOT NULL, 	PRIMARY KEY ("InvoiceId"), 	FOREIGN KEY("CustomerId") REFERENCES "Customer" ("CustomerId"))
/*3 rows from Invoice table:InvoiceId	CustomerId	InvoiceDate	BillingAddress	BillingCity	BillingState	BillingCountry	BillingPostalCode	Total1	2	2021-01-01 00:00:00	Theodor-Heuss-Straße 34	Stuttgart	None	Germany	70174	1.982	4	2021-01-02 00:00:00	Ullevålsveien 14	Oslo	None	Norway	0171	3.963	8	2021-01-03 00:00:00	Grétrystraat 63	Brussels	None	Belgium	1000	5.94*/================================== Ai Message ==================================Tool Calls:  sql_db_query_checker (0a223a92-4bc5-44bb-a394-155827558e8c) Call ID: 0a223a92-4bc5-44bb-a394-155827558e8c  Args:    query: SELECT c.Country, SUM(i.Total) AS TotalSpent FROM Invoice i JOIN Customer c ON i.CustomerId = c.CustomerId GROUP BY c.Country ORDER BY TotalSpent DESC LIMIT 5================================= Tool Message =================================Name: sql_db_query_checker
The provided SQL query does not contain any of the common mistakes listed. Here is the original query reproduced:
```sqlSELECT c.Country, SUM(i.Total) AS TotalSpent FROM Invoice i JOIN Customer c ON i.CustomerId = c.CustomerId GROUP BY c.Country ORDER BY TotalSpent DESC LIMIT 5;```
If you need any further adjustments or have additional requirements, please let me know!================================== Ai Message ==================================Tool Calls:  sql_db_query (088e0ec1-8e06-40ea-8a5b-da030662b172) Call ID: 088e0ec1-8e06-40ea-8a5b-da030662b172  Args:    query: SELECT c.Country, SUM(i.Total) AS TotalSpent FROM Invoice i JOIN Customer c ON i.CustomerId = c.CustomerId GROUP BY c.Country ORDER BY TotalSpent DESC LIMIT 5================================= Tool Message =================================Name: sql_db_query
[('USA', 523.06), ('Canada', 303.96), ('France', 195.1), ('Brazil', 190.1), ('Germany', 156.48)]================================== Ai Message ==================================
根据查询结果，花费最多的国家及其总消费金额如下：
1. 美国 (USA)：$523.062. 加拿大 (Canada)：$303.963. 法国 (France)：$195.104. 巴西 (Brazil)：$190.105. 德国 (Germany)：$156.48
因此，花费最多的国家是美国。

简直太厉害了！请注意，代理会执行多个查询，直到获得所需的信息：

列出可用表；
检索三个表的schema；
通过join操作查询多个表。

然后，代理能够使用最终查询的结果来生成原始问题的答案。代理可以类似地处理定性问题：

question = "使用中文描述 playlisttrack 表"
for step in agent_executor.stream(    {"messages": [{"role": "user", "content": question}]},    stream_mode="values",):    step["messages"][-1].pretty_print()

================================ Human Message =================================
使用中文描述 playlisttrack 表================================== Ai Message ==================================Tool Calls:  sql_db_list_tables (ba3d7d38-551c-4092-982e-36356e0af18c) Call ID: ba3d7d38-551c-4092-982e-36356e0af18c  Args:================================= Tool Message =================================Name: sql_db_list_tables
Album, Artist, Customer, Employee, Genre, Invoice, InvoiceLine, MediaType, Playlist, PlaylistTrack, Track================================== Ai Message ==================================Tool Calls:  sql_db_schema (167c1c9c-3c3e-481f-8843-ff40ef94c03e) Call ID: 167c1c9c-3c3e-481f-8843-ff40ef94c03e  Args:    table_names: PlaylistTrack================================= Tool Message =================================Name: sql_db_schema

CREATE TABLE "PlaylistTrack" (	"PlaylistId" INTEGER NOT NULL, 	"TrackId" INTEGER NOT NULL, 	PRIMARY KEY ("PlaylistId", "TrackId"), 	FOREIGN KEY("TrackId") REFERENCES "Track" ("TrackId"), 	FOREIGN KEY("PlaylistId") REFERENCES "Playlist" ("PlaylistId"))
/*3 rows from PlaylistTrack table:PlaylistId	TrackId1	34021	33891	3390*/================================== Ai Message ==================================
根据 `PlaylistTrack` 表的结构，该表用于关联播放列表（Playlist）和歌曲（Track）。查询结果展示了三个示例记录，表示哪些歌曲被添加到了哪个播放列表中。
以下是 `PlaylistTrack` 表的 SQL 查询语句：
```sqlSELECT PlaylistId, TrackId FROM PlaylistTrack LIMIT 5;```
这个查询将返回最多 5 条记录，并按 `PlaylistId` 和 `TrackId` 排序。

处理 High-cardinality columns

High-cardinality columns 指的是在数据集中，具有大量唯一值的列。这种列的特点是每个值在列中的出现频率都很低，唯一值的数量相对整个数据集的规模占比很大。比如人的身份证列等，在我们的示例中这个代表非常识内的数据，比如问“苦茶子是什么？”/狗头。

为了过滤包含专有名词（例如地址、歌曲名称或艺术家，这是我们的数据集中的数据）的列，我们首先需要仔细检查拼写，以便正确过滤数据。

我们可以通过创建一个包含数据库中存在的所有不同专有名词的向量存储来实现这一点。

然后，我们可以让代理在每次用户在问题中包含专有名词时查询该向量存储，以找到该单词的正确拼写，这样，代理可以确保在构建目标查询之前了解用户所指的是哪个实体。

首先，我们需要每个实体的唯一值，为此我们定义一个函数将结果解析为元素列表：

import astimport re# 这个函数 `query_as_list` 接受两个参数 `db` 和 `query`，并执行以下操作：## 1. 使用 `db.run(query)` 执行 SQL 查询，并将结果存储在 `res` 变量中。# 2. 使用 `ast.literal_eval(res)` 将查询结果字符串解析为 Python 对象，并通过列表推导式将嵌套列表展平，过滤掉空值。# 3. 使用正则表达式 `re.sub(r"\b\d+\b", "", string).strip()` 去除结果中的所有数字，并去除字符串两端的空白。# 4. 使用 `list(set(res))` 去除结果中的重复项，并返回一个唯一值的列表。## 这个函数的目的是从数据库查询结果中提取非数字的唯一字符串。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 list(set(res))artists = query_as_list(db, "SELECT Name FROM Artist")albums = query_as_list(db, "SELECT Title FROM Album")print(albums[:5])

['Sibelius: Finlandia', 'Demorou...', 'War', 'Pearl Jam', 'The Cream Of Clapton']

利用这个函数，我们可以创建一个代理可以自行执行的检索工具。同样地，我们创建嵌入模型和向量存储这里就不重复介绍了，可以看之前的RAG相关文章。

现在我们可以构建一个检索工具，可以在数据库中搜索相关的专有名词：

from langchain.agents.agent_toolkits import create_retriever_toolfrom rag.component import vector_store
_ = vector_store.add_texts(artists + albums)
retriever = vector_store.as_retriever(search_kwargs={"k": 5})
description = (    "Use to look up values to filter on. Input is an approximate spelling "    "of the proper noun, output is valid proper nouns. Use the noun most "    "similar to the search.")retriever_tool = create_retriever_tool(    retriever,    name="search_proper_nouns",    description=description,)print(retriever_tool.invoke("Alice Chains"))

Alice In Chains
The Singles
The Posies
Holst: The Planets, Op.  & Vaughan Williams: Fantasies
Slaves And Masters

这里有个尴尬的地方是前几天刚把embedding model换成了中文模型，因此相似度查出来的结果有点问题，不过第一个还是比较准确的，它找到了 Alice In Chains。

这样，如果代理确定需要根据“Alice Chains”之类的艺术家编写过滤器，它可以首先使用检索工具来观察列的相关值。

下面结合一下：

# 添加 system messagesuffix = (    "you must ALWAYS first look up the filter value using the 'search_proper_nouns' tool! "    "Do not try to guess at the proper name - use this function to find similar ones.")system = f"{system_message}\n\n{suffix}"tools.append(retriever_tool)agent = create_react_agent(model, tools, state_modifier=system)# 爱丽丝梦游仙境一共有几张专辑？question = "How many albums does alis in chain have?"for step in agent.stream(    {"messages": [{"role": "user", "content": question}]},    stream_mode="values",):    step["messages"][-1].pretty_print()

================================ Human Message =================================
How many albums does alis in chain have?================================== Ai Message ==================================Tool Calls:  search_proper_nouns (a901e4a7-4340-4c83-99d5-79bd53b95dce) Call ID: a901e4a7-4340-4c83-99d5-79bd53b95dce  Args:    query: alis in chain================================= Tool Message =================================Name: search_proper_nouns
Alice In Chains
Da Lama Ao Caos
Corinne Bailey Rae
Kid Abelha
Ace Of Spades================================== Ai Message ==================================Tool Calls:  sql_db_schema (511a0843-5589-4c63-b841-35c9f255c8e8) Call ID: 511a0843-5589-4c63-b841-35c9f255c8e8  Args:    table_names: albums================================= Tool Message =================================Name: sql_db_schema
Error: table_names {'albums'} not found in database================================== Ai Message ==================================Tool Calls:  sql_db_list_tables (fac0656f-7d3d-4d50-8210-850e23fd6c90) Call ID: fac0656f-7d3d-4d50-8210-850e23fd6c90  Args:================================= Tool Message =================================Name: sql_db_list_tables
Album, Artist, Customer, Employee, Genre, Invoice, InvoiceLine, MediaType, Playlist, PlaylistTrack, Track================================== Ai Message ==================================Tool Calls:  sql_db_schema (390d1cf7-e4cb-4cf1-aab9-c591ceeddc9c) Call ID: 390d1cf7-e4cb-4cf1-aab9-c591ceeddc9c  Args:    table_names: Artist================================= Tool Message =================================Name: sql_db_schema

CREATE TABLE "Artist" (	"ArtistId" INTEGER NOT NULL, 	"Name" NVARCHAR(120), 	PRIMARY KEY ("ArtistId"))
/*3 rows from Artist table:ArtistId	Name1	AC/DC2	Accept3	Aerosmith*/================================== Ai Message ==================================Tool Calls:  sql_db_schema (9266f48a-228d-47ca-8bde-b905c85d1db9) Call ID: 9266f48a-228d-47ca-8bde-b905c85d1db9  Args:    table_names: Album================================= Tool Message =================================Name: sql_db_schema

CREATE TABLE "Album" (	"AlbumId" INTEGER NOT NULL, 	"Title" NVARCHAR(160) NOT NULL, 	"ArtistId" INTEGER NOT NULL, 	PRIMARY KEY ("AlbumId"), 	FOREIGN KEY("ArtistId") REFERENCES "Artist" ("ArtistId"))
/*3 rows from Album table:AlbumId	Title	ArtistId1	For Those About To Rock We Salute You	12	Balls to the Wall	23	Restless and Wild	2*/================================== Ai Message ==================================Tool Calls:  sql_db_query_checker (626449ff-f0c9-42aa-92e7-33d6d94fe6cb) Call ID: 626449ff-f0c9-42aa-92e7-33d6d94fe6cb  Args:    query: SELECT COUNT(*) FROM Album WHERE ArtistId = (SELECT ArtistId FROM Artist WHERE Name LIKE 'Alice In Chains%');================================= Tool Message =================================Name: sql_db_query_checker
The provided SQLite query appears to be correctly written and does not contain any of the common mistakes you've listed. Here is the query again for reference:
```sqlSELECT COUNT(*) FROM Album WHERE ArtistId = (SELECT ArtistId FROM Artist WHERE Name LIKE 'Alice In Chains%');```
This query selects the count of records from the `Album` table where the `ArtistId` matches any `ArtistId` in the `Artist` table whose `Name` starts with 'Alice In Chains'. There are no apparent issues with the query based on the criteria you provided.
If there is a specific context or additional information that might have led to concerns, please provide more details. Otherwise, the original query can be used as-is.================================== Ai Message ==================================Tool Calls:  sql_db_query (d3712aaf-ab7c-4532-992f-bf8b8c1c0528) Call ID: d3712aaf-ab7c-4532-992f-bf8b8c1c0528  Args:    query: SELECT COUNT(*) FROM Album WHERE ArtistId = (SELECT ArtistId FROM Artist WHERE Name LIKE 'Alice In Chains%');================================= Tool Message =================================Name: sql_db_query
[(1,)]================================== Ai Message ==================================
The SQL query executed successfully and returned the result. Alice in Chains has 1 album in the database.
The answer to your question is: **Alice in Chains have 1 album**.

Alice in Chains have 1 album，这是正确的，下面的是它的实际执行的sql:

SELECT COUNT(*) FROM Album WHERE ArtistId = (SELECT ArtistId FROM Artist WHERE Name LIKE 'Alice In Chains%')

如果你实际观察日志的话，可以发现，SQLDatabaseToolkit+sql template是有容错的，他们在遇到找不到的表的时候会自动构建prompt继续从LLM中降级处理。从而达到最终得到好的效果。

如果你使用过ChatGPT的话，有时候问到他一些需要多种tools调用的问题的时候，它也是有容错的，就是它在一个方式处理失败的时候，它会进而去找下一个可以用的方法，直到有一个可以成功处理的方式，我是看到过它给的日志的，它的基本思路也是这样的。

好了基于sql的agent 入门就到这里结束了，感兴趣的话，你也自己来尝试一下吧！！！！

参考链接🔗：

https://python.langchain.com/docs/tutorials/sql_qa/

半夏决明

读书，摄影，随笔