使用Azure OpenAI和ChromaDB生成SQLite的SQL
本笔记本介绍了使用vanna Python包通过AI（RAG + LLMs）生成SQL的过程，包括连接到数据库和训练。如果您还没有准备好在自己的数据库上进行训练，您仍然可以使用示例SQLite数据库进行尝试。
你想使用哪个LLM？
-
通过 Vanna.AI 使用 OpenAI（推荐）免费使用 Vanna.AI 生成您的查询
-
OpenAI使用您自己的API密钥与OpenAI一起使用
-
[已选择] Azure OpenAI如果您在Azure上部署了OpenAI模型
-
Anthropic使用Anthropic的Claude与您的Anthropic API密钥
-
Ollama免费在本地使用Ollama。需要额外的设置。
-
Google Gemini使用您的Gemini或Vertex API密钥与Google Gemini一起使用
-
通过Mistral API使用Mistral如果您有Mistral API密钥
-
其他LLM如果您有其他的LLM模型
你想在哪里存储“训练”数据？
-
Vanna 托管的向量数据库（推荐）免费使用 Vanna.AI 托管的向量数据库（pgvector）。无需额外设置即可在多台机器上使用。
-
[已选择] ChromaDB免费在本地使用ChromaDB的开源向量数据库。无需额外设置——所有数据库文件将在本地创建和存储。
-
Qdrant使用Qdrant的开源向量数据库
-
Marqo免费在本地使用Marqo。需要额外的设置。或者使用他们的托管选项。
-
其他向量数据库使用任何其他向量数据库。需要额外的设置。
设置
%pip install 'vanna[chromadb,openai]'
from vanna.openai import OpenAI_Chat
from openai import AzureOpenAI
from vanna.chromadb import ChromaDB_VectorStore
class MyVanna(ChromaDB_VectorStore, OpenAI_Chat):
def __init__(self, config=None):
ChromaDB_VectorStore.__init__(self, config=config)
OpenAI_Chat.__init__(self, client=AzureOpenAI(...), config=config) # 确保将你的AzureOpenAI客户端放在这里
vn = MyVanna(config={'model': 'gpt-4-...'})
你想查询哪个数据库？
-
Postgres
-
Microsoft SQL Server
-
MySQL
-
DuckDB
-
Snowflake
-
BigQuery
-
[已选择] SQLite
-
Oracle
-
其他数据库使用Vanna为任何SQL数据库生成查询
vn.connect_to_sqlite('my-database.sqlite')
训练
你只需要训练一次。除非你想添加更多的训练数据，否则不要再次训练。
df_ddl = vn.run_sql("SELECT type, sql FROM sqlite_master WHERE sql is not null")
for ddl in df_ddl['sql'].to_list():
vn.train(ddl=ddl)
# 以下是添加训练数据的方法。确保你修改示例以匹配你的数据库。
# DDL语句非常强大，因为它们指定了表名、列名、类型以及潜在的关系
vn.train(ddl="""
CREATE TABLE IF NOT EXISTS my-table (
id INT PRIMARY KEY,
name VARCHAR(100),
age INT
)
""")
# 有时你可能想添加关于业务术语或定义的文档。
vn.train(documentation="我们的业务将OTIF分数定义为按时足量交付的订单百分比")
# 你也可以将SQL查询添加到训练数据中。如果你已经有一些查询，这很有用。你可以直接从编辑器中复制粘贴这些查询，以开始生成新的SQL。
vn.train(sql="SELECT * FROM my-table WHERE name = 'John Doe'")
# 你可以随时检查包能够引用的训练数据
training_data = vn.get_training_data()
training_data
# 如果有过时/错误的信息，你可以删除训练数据。
vn.remove_training_data(id='1-ddl')
```## 向AI提问
每当你提出一个新问题时，它会找到10个最相关的训练数据片段，并将其作为LLM提示的一部分来生成SQL。
```python
vn.ask(question=...)
启动用户界面
from vanna.flask import VannaFlaskApp
app = VannaFlaskApp(vn)
app.run()