LlamaIndex 结构化数据库交互指南增强(text2sql)

时间:2024-10-14 08:01:12

结构化数据指南

许多现代数据系统都依赖于结构化数据,例如 Postgres DBSnowflake 数据仓库。 LlamaIndex 提供了许多由 LLM 提供支持的高级功能,可以从中创建结构化数据 非结构化数据,以及通过增强的文本到 SQL 功能分析这些结构化数据。

注意:任何 Text-to-SQL 应用程序都应该意识到,执行 任意 SQL 查询可能存在安全风险。建议 根据需要采取预防措施,例如使用受限角色、只读 数据库、沙箱等。

本指南帮助介绍这些功能中的每一项。具体而言,我们涵盖以下主题:

  • 设置:定义我们的示例 SQL 表。
  • 构建我们的表索引:如何从sql数据库转到表架构索引
  • 使用自然语言 SQL 查询:如何使用自然语言查询我们的 SQL 数据库。
    我们将演练一个包含城市/人口/国家/地区信息的玩具示例表。 此处提供了本教程的笔记本。

设置

首先,我们使用 SQLAlchemy 设置一个简单的 sqlite 数据库:

from sqlalchemy import (
    create_engine,
    MetaData,
    Table,
    Column,
    String,
    Integer,
    select,
    column,
)

engine = create_engine("sqlite:///:memory:")
metadata_obj = MetaData()

然后我们创建一个测试表:city_stats

# create city SQL table
table_name = "city_stats"
city_stats_table = Table(
    table_name,
    metadata_obj,
    Column("city_name", String(16), primary_key=True),
    Column("population", Integer),
    Column("country", String(16), nullable=False),
)
metadata_obj.create_all(engine)

现在是时候插入一些数据点了!

如果您想通过推断结构化数据点来查看如何填充此表 从非结构化数据中,请查看以下部分。否则,您可以选择 要直接填充此表,请执行以下操作:

from sqlalchemy import insert

rows = [
    {"city_name": "Toronto", "population": 2731571, "country": "Canada"},
    {"city_name": "Tokyo", "population": 13929286, "country": "Japan"},
    {"city_name": "Berlin", "population": 600000, "country": "Germany"},
]
for row in rows:
    stmt = insert(city_stats_table).values(**row)
    with engine.begin() as connection:
        cursor = connection.execute(stmt)

最后,我们可以用 SQLDatabase 包装器包装 SQLAlchemy 引擎; 这允许在LlamaIndex中使用 db:

from llama_index.core import SQLDatabase

sql_database = SQLDatabase(engine, include_tables=["city_stats"])

自然语言 SQL

构建 SQL 数据库后,我们可以使用 NLSQLTableQueryEngine 来 构造合成为 SQL 查询的自然语言查询。

请注意,我们需要指定要用于此查询引擎的表。 如果我们不这样做,查询引擎将拉取所有 schema 上下文,这可能会 overflow 的上下文窗口。

from llama_index.core.query_engine import NLSQLTableQueryEngine

query_engine = NLSQLTableQueryEngine(
    sql_database=sql_database,
    tables=["city_stats"],
)
query_str = "Which city has the highest population?"
response = query_engine.query(query_str)

此查询引擎应在您可以指定所需表的任何情况下使用 以提前查询,或者所有表架构的总大小加上 提示符适合您的上下文窗口。

构建我们的表索引

如果我们事先不知道我们想使用哪个表,以及 Table Schema 溢出了您的上下文窗口大小,我们应该存储 Table Schema 在索引中,以便在查询时我们可以检索正确的 schema

我们可以做到这一点的方法是使用 SQLTableNodeMapping 对象,它接收一个SQLDatabase 并为传递的每个 SQLTableSchema 对象生成一个 Node 对象 放入 ObjectIndex 构造函数中。

from llama_index.core.objects import (
    SQLTableNodeMapping,
    ObjectIndex,
    SQLTableSchema,
)

table_node_mapping = SQLTableNodeMapping(sql_database)
table_schema_objs = [
    (SQLTableSchema(table_name="city_stats")),
    ...,
]  # one SQLTableSchema for each table

obj_index = ObjectIndex.from_objects(
    table_schema_objs,
    table_node_mapping,
    VectorStoreIndex,
)

在这里,你可以看到我们定义了我们的 table_node_mapping,以及一个带有 “city_stats” 表名。我们将这些函数与 VectorStoreIndex 类定义。这将得到一个 VectorStoreIndex,其中 每个节点都包含表架构和其他上下文信息。您还可以添加任何其他 上下文信息。

# manually set extra context text
city_stats_text = (
    "This table gives information regarding the population and country of a given city.\n"
    "The user will query with codewords, where 'foo' corresponds to population and 'bar'"
    "corresponds to city."
)

table_node_mapping = SQLTableNodeMapping(sql_database)
table_schema_objs = [
    (SQLTableSchema(table_name="city_stats", context_str=city_stats_text))
]

使用自然语言 SQL 查询

定义表架构索引obj_index后,我们可以构造一个 SQLTableRetrieverQueryEngine 通过传入我们的 SQLDatabase 和从我们的对象索引构造的检索器。

from llama_index.core.indices.struct_store import SQLTableRetrieverQueryEngine

query_engine = SQLTableRetrieverQueryEngine(
    sql_database, obj_index.as_retriever(similarity_top_k=1)
)
response = query_engine.query("Which city has the highest population?")
print(response)

现在,当我们查询 retriever 查询引擎时,它将检索相关的表 schema 并合成 SQL 查询和来自该查询结果的响应。

结束语

之前写了一篇文章 《Chainlit集成LlamaIndex并使用通义千问实现和数据库交互的网页对话应用(text2sql)》,是直接使用llama index中的NLSQLTableQueryEngine的知识点扩展补充,使用SQLTableRetrieverQueryEngine,它将检索相关的表 schema 并合成 SQL 查询和来自该查询结果的响应。