Vanna.AI

Vanna 是一个 Python 包，它使用检索增强来帮助你使用 LLMs 为你的数据库生成准确的 SQL 查询。

Vanna 通过两个简单的步骤工作 - 首先在你的数据上训练一个 RAG “模型”，然后提出问题，这些问题将返回可以在你的数据库上自动运行的 SQL 查询。

Qdrant 可作为支持向量存储，用于摄取和检索您的 RAG 数据。

安装

pip install 'vanna[qdrant]'

设置

你可以使用Qdrant作为你的向量存储和任何Vanna支持的LLMs来设置一个Vanna代理。

我们将使用OpenAI进行演示。

from vanna.openai import OpenAI_Chat
from vanna.qdrant import Qdrant_VectorStore
from qdrant_client import QdrantClient

class MyVanna(Qdrant, OpenAI_Chat):
    def __init__(self, config=None):
        Qdrant_VectorStore.__init__(self, config=config)
        OpenAI_Chat.__init__(self, config=config)

vn = MyVanna(config={
    'client': QdrantClient(...),
    'api_key': sk-...,
    'model': gpt-4-...,
})

用法

一旦Vanna代理被实例化，你可以将其连接到任何SQL数据库。

例如，Postgres。

vn.connect_to_postgres(host='my-host', dbname='my-dbname', user='my-user', password='my-password', port='my-port')

您现在可以使用SQL训练并开始查询您的数据库。

# You can add DDL statements that specify table names, column names, types, and potentially relationships
vn.train(ddl="""
    CREATE TABLE IF NOT EXISTS my-table (
        id INT PRIMARY KEY,
        name VARCHAR(100),
        age INT
    )
""")

# You can add documentation about your business terminology or definitions.
vn.train(documentation="Our business defines OTIF score as the percentage of orders that are delivered on time and in full")

# You can also add SQL queries to your training data. This is useful if you have some queries already laying around.
vn.train(sql="SELECT * FROM my-table WHERE name = 'John Doe'")

# You can remove training data if there's obsolete/incorrect information. 
vn.remove_training_data(id='1-ddl')

# Whenever you ask a new question, Vanna will retrieve 10 most relevant pieces of training data and use it as part of the LLM prompt to generate the SQL.

vn.ask(question="<YOUR_QUESTION>")

进一步阅读

这个页面有用吗？

本页内容：