演示了如何使用 LangChain 框架结合 SQLite3 数据库，通过自然语言处理技术简化 SQL 操作流程。首先创建本地 SQLite 数据库并初始化数据表，随后安装必要的 Python 依赖库如 langchain 和 openai。接着利用 SQLDatabaseChain 模块将大语言模型与数据库连接，实现用户输入自然语言问题后自动转换为 SQL 语句执行。该方法无需手动编写复杂的增删改查语句，显著降低了数据库交互门槛，适用于快速原型开发和数据分析场景。
数据库操作是软件开发中的基础环节，但手动编写每一条增删改查（CRUD）语句往往耗时且容易出错。通过引入 LangChain 框架与大语言模型（LLM），我们可以将自然语言问题直接转化为 SQL 查询语句，从而大幅简化数据库交互流程，提升开发效率。
本教程基于 Python 环境，使用轻量级关系型数据库 SQLite 进行演示。SQLite 通常嵌入在应用中，无需单独安装服务器，非常适合测试和原型开发。
首先，需要安装 LangChain 核心库、实验性模块以及 OpenAI SDK（或其他兼容的 LLM 接口）。
pip install langchain
pip install langchain-experimental
pip install openai
SQLite 是 Python 标准库的一部分，可以直接导入 sqlite3 模块。我们创建一个名为 FlowerShop.db 的本地数据库，并定义鲜花销售表结构。
使用 cursor.execute() 执行 SQL 语句创建表结构。表中包含 ID、名称、类型、来源、价格及库存等字段。
import sqlite3
# 连接或创建数据库文件
conn = sqlite3.connect('FlowerShop.db')
cursor = conn.cursor()
# 创建数据表
create_table_sql = '''
CREATE TABLE IF NOT EXISTS FLOWERS(
ID INTEGER PRIMARY KEY,
Name TEXT NOT NULL,
Type TEXT NOT NULL,
Source TEXT NOT NULL,
PurchasePrice REAL,
SalePrice REAL,
StockQuantity INTEGER,
SoldQuantity INTEGER,
ExpiryDate DATE,
Description TEXT,
EntryDate DATE DEFAULT CURRENT_DATE
);
'''
cursor.execute(create_table_sql)
# 插入初始数据
dummy_data = [
('Rose', 'Flower', 'France', 1.2, 2.5, 100, 10, '2023-12-31', 'A beautiful red rose'),
('Tulip', 'Flower', 'Netherlands', 0.8, 2.0, 150, 25, '2024-12-31', 'A colorful tulip'),
('Lily', 'Flower', 'China', 1.5, 3.0, 80, 5, '2023-12-31', 'An elegant white lily'),
('Daisy', 'Flower', 'USA', 0.7, 1.8, 120, 15, '2023-12-31', 'A cheerful daisy flower'),
('Orchid', 'Flower', 'Brazil', 2.0, 4.0, 50, 2, '2023-12-31', 'A delicate purple orchid')
]
for flower in dummy_data:
cursor.execute('''
INSERT INTO Flowers(Name,Type,Source,PurchasePrice,SalePrice,StockQuantity,SoldQuantity,ExpiryDate,Description)
VALUES(?,?,?,?,?,?,?,?,?);''', flower)
conn.commit()
conn.close()
运行上述代码后，数据库即被创建并填充了示例数据。
LangChain 提供了 SQLDatabaseChain 模块，能够自动处理从自然语言到 SQL 的转换过程。
使用 SQLDatabase.from_uri 方法加载 SQLite 数据库对象。该对象负责管理数据库连接元数据。
from langchain.utilities import SQLDatabase
from langchain.llms import OpenAI
from langchain_experimental.sql import SQLDatabaseChain
# 加载数据库
# 注意：SQLite 使用 file:/// 协议
uri = "sqlite:///FlowerShop.db"
db = SQLDatabase.from_uri(uri)
# 初始化大语言模型实例
# temperature=0 确保输出确定性，verbose=True 打印详细日志
llm = OpenAI(temperature=0, verbose=True, api_key='YOUR_OPENAI_API_KEY')
将 LLM 与数据库对象绑定，形成 db_chain。这是实现自然语言交互的核心步骤。
# 创建数据库链
db_chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)
# 执行查询
response = db_chain.run("有多少种不同的鲜花？")
print(response)
在此模式下，用户只需输入自然语言问题，系统会自动生成对应的 SQL 语句并在数据库中执行，最后返回结果摘要。支持的操作包括查询统计、条件筛选以及简单的数据更新。
虽然自动化生成 SQL 非常便捷，但在生产环境中需谨慎对待。建议限制 LLM 可执行的权限范围，避免允许删除或修改关键数据的操作，防止注入攻击或误操作。
当生成的 SQL 语法有误时，LangChain 通常会抛出异常。开发者应捕获这些异常并提供友好的反馈，例如提示用户重新表述问题或检查数据库状态。
对于复杂的多表关联查询，LLM 可能难以准确理解 Schema 结构。此时建议预先定义好视图或存储过程，或者在 Prompt 中提供更详细的表结构说明。
通过结合 LangChain 与 SQLite3，开发者可以显著降低数据库操作的门槛。无需记忆复杂的 SQL 语法，即可利用自然语言完成数据检索与分析任务。这种方法特别适用于快速验证业务逻辑、构建数据分析原型以及辅助非技术人员进行数据探索。随着大模型能力的提升，此类工具将在智能运维和数据治理领域发挥更大作用。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online