深入解析：如何利用LangChain1.0快速进行天气和数据库查询

如何利用LangChain1.0快捷进行天气和数据库查询

1. 体系概述

本系统是一个基于LangChain框架构建的智能数据库查询工具，利用通义千问大语言模型和SQL数据库工具包实现自然语言数据库查询效果。用户可以通过自然语言提问来查询SQLite数据库中的信息。

2. 系统架构

2.1 主要组件

1. Agent代理模块([dashscope_db_example.py](file:///Users/laraveljun/big_model/langchain-learn/dashscope_db_example.py))

   • 使用ChatTongyi模型作为核心推理引擎
   • 集成SQL数据库工具包
   • 处理自然语言输入并生成相应响应

2. 数据库工具模块([func_tool/db_tools.py](file:///Users/laraveljun/big_model/langchain-learn/func_tool/db_tools.py))

   • 实现了SQL数据库工具包的创建和管理
   • 包含两个主要函数：
     • create_sql_database_toolkit: 创建SQL数据库工具包
     • get_sql_tools: 获取SQL工具列表

3. 数据库结构

   • 运用SQLite数据库存储学生测验数据
   • 包含学生表([student](file:///Users/laraveljun/big_model/langchain-learn/database/studnet.sql#L1-L6))、题目表([quiz_question](file:///Users/laraveljun/big_model/langchain-learn/database/studnet.sql#L8-L16))和答题记录表([answer_record](file:///Users/laraveljun/big_model/langchain-learn/database/studnet.sql#L18-L25))

2.2 工作流程

1. 用户提出自然语言查询（如"难度为中等有多少道题？"）
2. Agent解析用户意图并调用适当的SQL工具
3. 软件执行相应的数据库操作（查看表结构、生成SQL查询等）
4. 执行查询并获取结果
5. Agent将结果格式化后返回给用户

3. 核心模块详解

3.1 Agent代理模块 ([main.py](file:///Users/laraveljun/big_model/langchain-learn/dashscope_db_example.py))

from dotenv import load_dotenv
import os
# 加载.env文件中的环境变量
load_dotenv(override=True)
from func_tool.wechat import query_weather
from func_tool.db_tools import get_sql_tools
from langchain.agents import create_agent
from langchain_community.chat_models import ChatTongyi
model = ChatTongyi(model="qwen-turbo", api_key=os.getenv("DASHSCOPE_API_KEY"))
# 创建可以同时使用天气和数据库工具的智能助手
database_uri = "sqlite:///student_quiz.db"  # 示例数据库URI
tools = get_sql_tools(database_uri, model)
# 创建智能助手，可以同时使用天气和数据库工具
agent = create_agent(
model=model,
tools=[query_weather]+tools,
system_prompt='''
1、你是一个专业的 SQL 数据分析师。
工作流程：
1. 先使用 sql_db_list_tables 查看所有表
2. 使用 sql_db_schema 获取相关表的结构
3. 生成 SQL 查询前，使用 sql_db_query_checker 检查语法
4. 使用 sql_db_query 执行查询
5. 用中文总结查询结果
注意事项：
- 只使用数据库中实际存在的表和字段
- 查询结果限制在 10 条以内
- 如果查询出错，分析错误并重新生成 SQL
- 有多个问题的时候，需要进行整理后返回
2、您是一个乐于助人的助手，您可以回答用户的问题，也可以帮助用户解决问题。
''',
)
question = "难度为中等有多少道题？"
# Run the agent with database query
response = agent.invoke(
{
"messages": [{
"role": "user", "content": question}]}
)
print(response['messages'][-1].content)