如何利用 LangChain 框架实现大语言模型与 PostgreSQL 数据库的自然语言交互。内容涵盖 LangChain 的核心概念、架构模块及主要应用场景。教程分步演示了如何配置开发环境、设置环境变量、创建基础 LLM 调用及提示模板。重点讲解了 SQLDatabaseChain 的使用，包括数据库连接、表结构创建、自然语言转 SQL 查询的实现过程。此外，文章还补充了生产环境下的安全最佳实践、常见问题排查指南以及性能优化建议，旨在帮助开发者快速构建基于大模型的智能数据问答应用。
大型语言模型（LLMs）的兴起在技术上带来了重大转变，使开发者能够创建曾经难以想象的应用程序。LangChain 是一个提示编排工具，利用 LLMs 的能力改变你与数据库的通信方式。通过 LangChain，你可以轻松地与数据库对话，并实时获得精确的响应，就像与亲密朋友交谈一样。
在本教程中，我们将连接到 PostgreSQL 数据库，并使用 LangChain 与之对话，而无需通过手写 SQL 查询数据库。这将展示如何将自然语言转换为可执行的数据库操作，极大地降低了数据访问的门槛。
LangChain 是一个开源库，为开发者提供了一系列资源，以开发在大型语言模型（LLMs）上运行的应用程序。通过建立 LLMs 与外部数据源（如个人文档或互联网）的链接机制，开发者可以利用 LangChain 串联一系列命令来创建复杂的应用程序。简而言之，LangChain 作为一个框架，使得执行一系列提示以获得特定结果成为可能。它抽象了底层模型的复杂性，让开发者专注于业务逻辑和用户体验。
LangChain 对开发者来说是一个重要的工具，因为它使得使用 LLMs 构建复杂应用程序变得更加容易。它允许用户将 LLMs 连接到其他数据源。通过将 LLMs 连接到其他数据源，应用程序可以处理更广泛的信息，使应用程序更加强大和多功能。
LangChain 还提供了以下特性：
该框架分为七个模块。每个模块允许你管理与 LLM 交互的不同方面。
以下是 LangChain 的一些应用。
在上一节中，我们介绍了 LangChain 的基本知识。在接下来的部分中，我们将使用 LangChain 构建一个问答应用。请按照以下步骤构建一个基本的问答应用。
通过执行以下命令创建并激活虚拟环境，以确保项目依赖隔离。
python -m venv venv
source venv/bin/activate
注意：Windows 系统下激活脚本为 venv\Scripts\activate。
使用 pip 安装 langchain、openai 和 python-environ 库。
pip install langchain openai python-environ
对于数据库交互，还需要安装 psycopg2。
pip install psycopg2-binary
你可以使用任何开源模型与 langchain 一起使用。然而，OpenAI 模型通常比开源模型提供更好的结果。如果你使用的是任何 OpenAI 模型，需要 OpenAI 密钥来访问 LangChain。本教程是针对 OpenAI 模型设计的。按照以下步骤创建一个新的 OpenAI 密钥。
OPENAI_API_KEY=<your_openai_key>
DBPASS=<your_database_password>
DATABASE=<your_database_name>
安全提示：切勿将 .env 文件提交到版本控制系统（如 Git），应在 .gitignore 中添加该文件。
创建一个新的 python 文件 langchain_demo.py，并添加以下代码。
from langchain.llms import OpenAI
import environ
env = environ.Env()
environ.Env.read_env()
API_KEY = env('OPENAI_API_KEY')
llm = OpenAI(model_name="text-davinci-003", openai_api_key=API_KEY)
question = "Which language is used to create chatgpt?"
print(question, llm(question))
运行脚本。
python langchain_demo.py
你将得到以下输出。
Which language is used to create chatgpt ?
ChatGPT is written in Python, using the PyTorch deep learning framework
PromptTemplate 允许你定义带有占位符的模板，从而动态地生成提示。这在使用结构化数据或特定格式要求时非常有用。
创建一个新的 python 文件 langchain_prompt.py，并添加以下代码。
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
import environ
env = environ.Env()
environ.Env.read_env()
API_KEY = env('OPENAI_API_KEY')
llm = OpenAI(model_name="text-davinci-003", openai_api_key=API_KEY)
template = "What are the top {n} resources to learn {language} programming?"
prompt = PromptTemplate(template=template, input_variables=['n', 'language'])
chain = LLMChain(llm=llm, prompt=prompt)
input = {'n': 3, 'language': 'Python'}
print(chain.run(input))
运行脚本。
python langchain_prompt.py
你将得到以下输出。
1. Codecademy
2. LearnPython.org
3. Automate the Boring Stuff with Python
在本节中，我们将创建一个应用程序，以自然的方式（不直接查询）与 postgres 数据库交互。这被称为 Text-to-SQL 技术。
打开企业版下载页面（enterprisedb.com），并根据你的操作系统下载相应的包。嫌麻烦，可以直接注册一个免费的云数据库。
创建一个名为 tasks 的数据库表来保存任务详情。这个数据库可以作为 LangChain 的数据源。
通过执行以下命令创建并激活虚拟环境。
python -m venv venv
source venv/bin/activate
使用 pip 安装 langchain、openai、python-environ 和 psycopg2 库。
pip install langchain openai python-environ psycopg2-binary
注意替换数据库连接信息。创建一个新的 python 文件 db.py，并添加以下代码。
import psycopg2
import environ
env = environ.Env()
environ.Env.read_env()
conn = psycopg2.connect(
host='localhost',
port=5432,
user='postgres',
password=env('DBPASS'),
database=env('DATABASE')
)
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS tasks(
id SERIAL PRIMARY KEY,
task TEXT NOT NULL,
completed BOOLEAN,
due_date DATE,
completion_date DATE,
priority INTEGER
)''')
# 插入数据的代码...
conn.commit()
conn.close()
要创建任务表并插入值，请使用以下命令运行 db.py 脚本。
python db.py
创建一个新的 python 文件 app.py，并添加以下代码。
from langchain import OpenAI, SQLDatabase, SQLDatabaseChain
import environ
env = environ.Env()
environ.Env.read_env()
API_KEY = env('OPENAI_API_KEY')
db = SQLDatabase.from_uri(
f"postgresql+psycopg2://postgres:{env('DBPASS')}@localhost:5432/{env('DATABASE')}"
)
llm = OpenAI(temperature=0, openai_api_key=API_KEY)
QUERY = """
Given an input question, first create a syntactically correct postgresql query to run, then look at the results of the query and return the answer.
Use the following format:
Question: Question here
SQLQuery: SQL Query to run
SQLResult: Result of the SQLQuery
Answer: Final answer here
{question}
"""
db_chain = SQLDatabaseChain(llm=llm, database=db, verbose=True)
def get_prompt():
print("Type 'exit' to quit")
while True:
prompt = input("Enter a prompt: ")
if prompt.lower() == 'exit':
print('Exiting...')
break
else:
try:
question = QUERY.format(question=prompt)
print(db_chain.run(question))
except Exception as e:
print(f"Error occurred: {e}")
get_prompt()
使用以下命令运行 SQL 数据库链。
python app.py
您将获得以下输出：
当输入自然语言问题，例如'列出所有未完成的任务'，系统会自动将其转换为 SQL 查询，执行后返回结果。
在生产环境中使用 LangChain 连接数据库时，必须考虑安全性。
本文详细介绍了如何使用 LangChain 实现大语言模型与数据库的交互对话。通过 Text-to-SQL 技术，开发者可以将自然语言转化为数据库查询，极大地简化了数据访问流程。文章涵盖了环境搭建、基础调用、提示模板设计以及完整的数据库交互示例。同时强调了生产环境中的安全性和稳定性考量。掌握这一技能，将为构建智能数据分析工具和自动化运维系统打下坚实基础。
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