最新Langchain数据库Agent构建实战完整版：从零开始简单高效快速掌握方法

上一篇文章介绍了Vanna，一个利用RAG技术生成SQL的开源工具，效果不错。今天我们把目光转向LangChain自身如何解决文本到SQL的转换——它内置了一个SQLDatabaseChain模块，基于SQLAlchemy与数据库对接。如果将RAG的灵活性与SQLDatabaseChain的严谨结构结合，能否在自然语言查询的准确性和适应性上实现双重提升？下面直接进入实操，拆解具体步骤。

实现步骤

首先，需要一个可用的数据库。这里选用ClickHouse——一款面向列的SQL数据库管理系统，尤其擅长大规模数据分析场景。部署极简，一条命令即可完成。为了让LangChain Agent能与ClickHouse顺畅通信，还需安装clickhouse-sqlalchemy这个适配包。安装完成后，建立数据库连接，接着初始化Toolkit——你可以把这个Toolkit看作Agent的工具箱，里面整合了各类工具，例如检索表结构、执行SQL查询等。

随后就是创建基于SQLDatabaseChain的Agent。这个Agent能够直接与数据库交互，根据自然语言问题自动生成SQL并返回答案。定义好必要的工具集后，快速实例化并运行即可。整个过程相当于为Agent配备了一个自然语言到SQL的翻译引擎，彻底省去手动编写查询语句的重复劳动。

环境搭建

今天主要用到的安装包如下，其余依赖按提示补充即可：

# 安装 clickhouse-sqlalchemy 包来连接 ClickHouse
pip install clickhouse-sqlalchemy langchain

运行代码

核心代码结构如下：

from langchain.agents import AgentExecutor, AgentType
from langchain.sql_database_toolkit import SQLDatabaseToolkit

# 设置数据库连接
uri = 'clickhouse+native://localhost/ecommerce'
db = SQLDatabase.from_uri(uri)

# 初始化工具箱
toolkit = SQLDatabaseToolkit(db=db, llm=OpenAI(temperature=0))

# 创建并运行基于 OpenAI 函数的 Agent
agent_executor = create_sql_agent(
    llm=ChatOpenAI(temperature=0.1, model='gpt-4-1106-preview'),
    toolkit=toolkit,
    verbose=True,
    agent_type=AgentType.OPENAI_FUNCTIONS
)
# 运行 Agent，回答数据相关问题
agent_executor.run("我们有多少来自上海的活跃客户？")

启动后，Agent会根据用户提问自动查询数据库。举例来说，它会直接返回“来自上海的活跃客户”的具体数量。核心价值在于：你无需自己拼写SQL语句，也不必纠结于表结构或语法差异——Agent直接理解语义，把底层查询与结果整合逻辑完全封装起来。