背景与价值
在检索增强生成（RAG）或 ReAct 等场景中，让大模型直接操作数据库是常见需求。LangChain 提供了丰富的工具链来简化这一过程，其官方文档中的 SQL 能力示例也验证了方案的可行性。
应用场景
过去想要完成数据查询与分析，相关人员必须具备扎实的数据库功底，尤其是编写复杂的 SQL 语句。引入 LangChain 结合大语言模型后，处理这类问题变得轻松许多——核心在于设计清晰的提示词。
- 自然语言转查询
传统流程中，搜索信息需要掌握 SQL 语法，学习成本较高。利用自然语言替代这个过程，意味着业务人员无需学习 SQL 即可查询数据，大幅降低了使用门槛。
- 数据库聊天机器人
除了单次查询，系统还能根据历史对话上下文，结合数据库内容回答多轮问题。这意味着我们可以构建一个懂业务、能查数的智能助手。
实战案例
1. 需求说明
我们需要一个 Python 脚本，能够接收用户的自然语言问题（例如'上个月销售额最高的产品是什么'），自动将其转换为 SQL 查询，执行并返回结果。
2. 实现思路
核心逻辑分为三步：
- 连接数据库并获取 Schema 信息。
- 初始化大语言模型（LLM）。
- 创建 SQL Agent，将用户输入映射为数据库工具调用。
这里要注意，Schema 信息的准确性直接影响 SQL 生成的质量。如果表结构复杂，建议只传入必要的字段描述，避免 Token 浪费。
3. 代码实现
下面是一个最小可运行的示例，展示了如何搭建基础环境。
from langchain.agents import create_sql_agent
from langchain.sql_database import SQLDatabase
from langchain.llms import OpenAI
from sqlalchemy import create_engine
# 1. 初始化数据库连接
# 注意：实际生产中请使用环境变量管理密码
engine = create_engine("sqlite:///example.db")
db = SQLDatabase.from_engine(engine)
# 2. 加载大语言模型
llm = OpenAI(temperature=0)
# 3. 创建 SQL Agent
agent_executor = create_sql_agent(
llm=llm,
db=db,
verbose=True,
agent_type="OPENAI_FUNCTIONS"
)
# 4. 执行查询
response = agent_executor.run("查询用户表中年龄大于 30 岁的记录数量")
print(response)
运行上述代码时，Agent 会自动分析意图，生成对应的 SQL 语句并在数据库中执行。verbose=True 参数非常有用，它能打印出 Agent 的思考路径和最终生成的 SQL，方便我们排查错误。
4. 注意事项
在实际落地过程中，有几个坑值得注意：
- 权限控制：不要让 Agent 拥有 DROP 或 DELETE 权限，仅授予 SELECT 权限是最安全的做法。
- 幻觉问题：大模型可能会编造不存在的列名。可以通过 Few-Shot Prompting 提供几个正确的查询示例来引导模型。
- 性能优化：对于大数据量查询，建议在 Agent 层面增加 LIMIT 限制，防止全表扫描拖垮数据库。
通过这种方式，我们就能快速构建一个具备数据库交互能力的智能应用，既保留了 LLM 的灵活性，又保证了数据的准确性。