텍스트-SQL 변환 예시

이 튜토리얼에서는 다음을 사용하여 SQL을 활용하는 에이전트를 구현하는 방법을 살펴봅니다. smolagents.

표준 텍스트-SQL 파이프라인을 사용하는 것이 어떨까요?

표준 텍스트-SQL 파이프라인은 생성된 SQL 쿼리가 잘못될 수 있기 때문에 취약합니다. 더 나쁜 것은 쿼리가 잘못되었지만 오류를 발생시키지 않고 경보 없이 일부 부정확하거나 쓸모없는 출력을 제공할 수 있다는 것입니다.

대신 에이전트 시스템이 출력을 비판적으로 검사하고 쿼리 변경이 필요한지 여부를 결정할 수 있으므로 성능이 크게 향상됩니다.

이 에이전트를 구축해 봅시다! 💪

먼저 SQL 환경을 설정합니다:

복사됨

에서 sqlalchemy import (
    create_engine,
    메타데이터,
    Table,
    Column,
    String,
    Integer,
    Float,
    insert,
    inspect,
    text,
)

engine = create_engine("sqlite:///:memory:")
메타데이터_객체 = 메타데이터()

# 도시 SQL 테이블 생성
table_name = "영수증"
receipts = 테이블(
    table_name,
    메타데이터_객체,
    Column("receipt_id", Integer, primary_key=True),
    Column("customer_name", String(16), primary_key=True),
    Column("price", Float),
    Column("tip", Float),
)
메타데이터_객체.create_all(엔진)

rows = [
    {"receipt_id": 1, "customer_name": "앨런 페인", "가격": 12.06, "tip": 1.20},
    {"receipt_id": 2, "customer_name": "알렉스 메이슨", "가격": 23.86, "tip": 0.24},
    {"receipt_id": 3, "customer_name": "우드로 윌슨", "가격": 53.43, "tip": 5.43},
    {"receipt_id": 4, "customer_name": "마가렛 제임스", "가격": 21.11, "tip": 1.00},
]
행의 행에 대해
    stmt = insert(receipts).values(**row)
    엔진.시작()을 연결로 사용합니다:
        cursor = connection.execute(stmt)

에이전트 구축 #

이제 도구에서 SQL 테이블을 검색할 수 있도록 만들어 보겠습니다.

도구의 설명 속성은 에이전트 시스템에 의해 LLM의 프롬프트에 포함되며, 이는 도구 사용 방법에 대한 정보를 LLM에 제공합니다. 여기서 SQL 테이블을 설명하고자 합니다.

복사됨

inspector = inspect(엔진)
columns_info = [(col["name"], col["type"]) for col in inspector.get_columns("receipts")]

table_description = "Columns:\n" + "\n".join([f" - {name}: {col_type}" for name, col_type in columns_info])
print(table_description)

복사됨

열:
  - receipt_id: INTEGER
  - customer_name: VARCHAR(16)
  - price: FLOAT
  - tip: FLOAT

이제 도구를 만들어 보겠습니다. 여기에는 다음이 필요합니다: (읽기 도구 문서 자세한 내용은)

문서 문자열이 있는 Args: 인수를 나열하는 파트입니다.
입력과 출력 모두에 힌트를 입력하세요.

복사됨

smolagent 가져오기 도구에서

@tool
def sql_engine(query: str) -> str:
    """
    테이블에 대해 SQL 쿼리를 수행할 수 있습니다. 결과의 문자열 표현을 반환합니다.
    테이블의 이름은 'receipts'입니다. 테이블에 대한 설명은 다음과 같습니다:
        열
        - receipt_id: INTEGER
        - customer_name: VARCHAR(16)
        - price: FLOAT
        - tip: FLOAT

    Args:
        쿼리: 수행할 쿼리입니다. 올바른 SQL이어야 합니다.
    """
    output = ""
    엔진.connect()를 con로 사용합니다:
        rows = con.execute(text(query))
        행의 행에 대해
            output += "\n" + str(row)
    출력 반환

이제 이 도구를 활용하는 에이전트를 만들어 보겠습니다.

저희는 코드 에이전트smolagent의 메인 에이전트 클래스인 이 에이전트는 코드에 액션을 작성하고 ReAct 프레임워크에 따라 이전 출력을 반복할 수 있는 에이전트입니다.

모델은 에이전트 시스템을 구동하는 LLM입니다. HfApiModel을 사용하면 서버리스 또는 전용 엔드포인트를 통해 HF의 추론 API를 사용하여 LLM을 호출할 수 있지만, 독점적인 API를 사용할 수도 있습니다.

복사됨

smolagent에서 CodeAgent, HfApiModel을 가져옵니다.

에이전트 = 코드에이전트(
    tools=[sql_engine],
    model=HfApiModel("meta-llama/Meta-Llama-3.1-8B-Instruct"),
)
agent.run("가장 비싼 영수증을 받은 고객의 이름을 알려주실 수 있나요?")

수준 2: 테이블 조인 #

이제 더 어렵게 만들어 봅시다! 에이전트가 여러 테이블에 걸친 조인을 처리하기를 원합니다.

이제 각 receipt_id에 대한 웨이터의 이름을 기록하는 두 번째 테이블을 만들어 보겠습니다!

복사됨

table_name = "waiters"
영수증 = 테이블(
    table_name,
    메타데이터_객체,
    Column("receipt_id", Integer, primary_key=True),
    Column("waiter_name", String(16), primary_key=True),
)
메타데이터_객체.create_all(엔진)

rows = [
    {"receipt_id": 1, "waiter_name": "Corey Johnson"},
    {"receipt_id": 2, "waiter_name": "마이클 와츠"},
    {"receipt_id": 3, "waiter_name": "마이클 와츠"},
    {"receipt_id": 4, "waiter_name": "마가렛 제임스"},
]
행의 행에 대해
    stmt = insert(receipts).values(**row)
    엔진.시작()을 연결로 사용합니다:
        cursor = connection.execute(stmt)

테이블을 변경했으므로 SQLExecutorTool 를 이 표의 설명과 함께 사용하여 LLM이 이 표의 정보를 적절히 활용할 수 있도록 합니다.

복사됨

updated_description = """테이블에서 SQL 쿼리를 수행할 수 있습니다. 이 도구의 출력은 실행 결과의 문자열 표현이라는 점에 유의하세요.
다음 테이블을 사용할 수 있습니다."""

inspector = inspect(engine)
for table in ["receipts", "waiters"]:
    columns_info = [(col["name"], col["type"]) for col in inspector.get_columns(table)]

    table_description = f"테이블 '{table}':\n"

    table_description += "Columns:\n" + "\n".join([f" - {name}: {col_type}" for name, col_type in columns_info])
    updated_description += "\n\n" + table_description

print(updated_description)

이 요청은 이전 요청보다 조금 더 어렵기 때문에 더 강력한 LLM 엔진을 사용하도록 전환합니다. Qwen/Qwen2.5-Coder-32B-Instruct!

복사됨

sql_engine.description = updated_description

에이전트 = 코드 에이전트(
    tools=[sql_engine],
    model=HfApiModel("Qwen/Qwen2.5-Coder-32B-Instruct"),
)

agent.run("어느 웨이터가 팁으로 더 많은 총 금액을 받았나요?")

바로 작동합니다! 설정은 의외로 간단하지 않나요?

이 예제는 완료되었습니다! 이러한 개념에 대해 살펴봤습니다: