在軟件開發(fā)的快速發(fā)展的景觀中，人工智能，數(shù)據(jù)驗證和數(shù)據(jù)庫管理的交集開闢了前所未有的可能性。這篇博客文章探討了使用最新的Pydanticai Framework和Google的Gemini-1.5模型來探討SQL代碼生成和SQL代碼說明的創(chuàng)新方法，以展示尖端AI技術(shù)如何簡化和增強數(shù)據(jù)庫查詢開發(fā)。

對於開發(fā)人員，數(shù)據(jù)科學家和數(shù)據(jù)分析師，此探索從自然語言處理中瞥見了智能代碼生成的未來，在這種情況下，可以輕鬆而準確地創(chuàng)建複雜的數(shù)據(jù)庫查詢。

學習目標

• 了解Pydantic和Pydanticai的基本面。
• 了解如何實現(xiàn)AI驅(qū)動的SQL代碼生成系統(tǒng)。
• 在自然語言中探索雙子座-1.5頻率的功能，以進行SQL翻譯。
• 洞悉用於構(gòu)建數(shù)據(jù)庫交互的智能AI代理。

本文作為數(shù)據(jù)科學博客馬拉鬆的一部分發(fā)表。

目錄

• 什麼是pydanticai？
• Pydanticai的示例
• 什麼是AI代理？
• 什麼是代理工作流程？
• AI代理和代理工作流的現(xiàn)代用法
• 什麼是Pydanticai框架？
• 開始您的項目
• 實施項目的逐步指南
• 結(jié)論
• 常見問題

什麼是pydanticai？

Pydanticai是一個強大的Python庫，可革新數(shù)據(jù)驗證和類型檢查。它為定義數(shù)據(jù)模型提供了一種聲明性的方法，從而易於創(chuàng)建和驗證複雜的數(shù)據(jù)結(jié)構(gòu)。

Pydantic的重要特徵包括：

定制

• 驗證廣泛的數(shù)據(jù)類型，包括原始類型和復雜的嵌套結(jié)構(gòu)。
• 幾乎支持任何python對象進行驗證和序列化

靈活性

允許控制數(shù)據(jù)驗證嚴格性：

• 將數(shù)據(jù)脅到預期類型
• 在需要時執(zhí)行嚴格的類型檢查

序列化

• 支持Pydantic對象，字典和JSON之間的無縫轉(zhuǎn)換。
• 啟用自我文獻的API和與使用JSON模式的工具的兼容性。

表現(xiàn)

• 核心驗證邏輯以生鏽為特殊的速度和效率編寫。
• 適用於可擴展REST API等高通量應(yīng)用的理想選擇。

生態(tài)系統(tǒng)

• 廣泛用於流行的Python庫中，例如Fastapi，Langchain，LlamainDex等。
• 如果沒有pydantic，就無法實施現(xiàn)代的代理LLM。

Pydanticai的示例

Pydanticai簡化了Python中的數(shù)據(jù)驗證和類型檢查，使其成為創(chuàng)建強大數(shù)據(jù)模型的強大工具。讓我們探索一些展示其功能的實用示例。

基本數(shù)據(jù)驗證

來自Pydantic Import Basemodel


類用戶（基本模型）：
    名稱：str
    年齡：int


＃有效數(shù)據(jù)
用戶=用戶（name =“ Alice”，年齡= 30）
打?。ㄓ脩簦?
打印（“ ==================================
＃無效數(shù)據(jù)（年齡是字符串）
嘗試：
    用戶=用戶（name =“ Alice”，age =“三十”）
除例外為E：
    打?。‥）

上面的代碼使用Pydantic的基本模型定義了用戶模型，將名稱作為字符串和年齡作為整數(shù)執(zhí)行。它驗證了正確的數(shù)據(jù)，但是當提供了無效的數(shù)據(jù)（年齡的字符串）時，會引起驗證錯誤。

輸出：

自動型強制

來自Pydantic Import Basemodel
類產(chǎn)品（基本模型）：
    價格：浮動
    數(shù)量：int

＃不匹配類型的數(shù)據(jù)
產(chǎn)品=產(chǎn)品（價格=“ 19.99”，數(shù)量=“ 5”）
印刷（產(chǎn)品）

打?。愋停╬roduct.price））
打?。愋停╬roduct.Quantity））

在這裡，價格為浮動和數(shù)量的產(chǎn)品模型作為整數(shù)。 Pydantic自動將字符串輸入（“ 19.99”和“ 5”）驅(qū)動到正確的類型（float and int）中，以演示其類型的轉(zhuǎn)換功能。

輸出：

嵌套模型

來自Pydantic Import Basemodel
班級地址（基本模型）：
    街：Str
    城市：Str
類用戶（基本模型）：
    名稱：str
    地址：地址

＃有效數(shù)據(jù)
user =用戶（name =“ bob”，地址= {“街”：“ 123 Main St”，“ City”：“ Wonderland”}）
打?。ㄓ脩簦?
＃訪問嵌套屬性
打?。╱ser.address.city）

在這裡，我們定義一個包含地址模型的嵌套用戶模型。 Pydantic允許嵌套驗證，並自動轉(zhuǎn)換字典成模型。有效的數(shù)據(jù)初始化了用戶對象，您可以直接訪問諸如“ user.address.city”之類的嵌套屬性。

輸出：

使用自定義規(guī)則驗證

來自Pydantic Import basemodel，field，field_validator

類用戶（基本模型）：
    名稱：str
    年齡：int = field（...，gt = 0，description =“年齡必須大於零”）

    @field_validator（“名稱”）
    def name_must_be_non_empty（cls，value）：
        如果不是value.strip（）：
            提高價值Error（“名稱不能為空”）
        返回值

＃有效數(shù)據(jù)
用戶=用戶（name =“ Charlie”，年齡= 25）
打印（用戶）

＃無效數(shù)據(jù)
嘗試：
    用戶=用戶（name =“”，年齡= -5）
除例外為E：
    打?。‥）

在這裡，我們定義具有驗證規(guī)則的用戶模型，年齡必須大於0，並且該名稱不能為空（通過name_must_be_non_empty方法驗證）。有效的數(shù)據(jù)創(chuàng)建了一個用戶實例，而無效的數(shù)??據(jù)（空名稱或負年齡）會引發(fā)詳細的驗證錯誤，以證明Pydantic的驗證功能。

輸出：

這些是Pydantic的一些核心例子，我希望它們能幫助您了解數(shù)據(jù)驗證的基本原理。

什麼是AI代理？

AI代理是智能係統(tǒng)，旨在自主執(zhí)行任務(wù)，做出決策並與其環(huán)境互動以實現(xiàn)特定目標。這些代理並不是新的，而是生成AI的近期快速發(fā)展，並將其與代理相結(jié)合，使代理軟件在新時代開發(fā)?，F(xiàn)在，代理可以處理輸入，執(zhí)行操作並動態(tài)適應(yīng)。他們的行為模仿了類似人類的問題解決，使他們能夠在人類干預的情況下在各個領(lǐng)域發(fā)揮作用。

什麼是代理工作流程？

代理工作流程是指由一個或多個AI代理管理和執(zhí)行的結(jié)構(gòu)，目標驅(qū)動的任務(wù)序列。統(tǒng)一僵化的傳統(tǒng)工作流程，代理工作流具有適應(yīng)性，自主性和上下文意識。這些工作流程中的AI代理可以獨立做出決策，委派子任務(wù)並從反饋中學習，從而導致有效且優(yōu)化的結(jié)果。

AI代理和代理工作流的現(xiàn)代用法

AI代理和代理工作流程的整合通過使復雜的任務(wù)自動化，增強決策和推動效率來徹底改變行業(yè)。這些智能係統(tǒng)動態(tài)適應(yīng)，從而使跨不同領(lǐng)域的更智能解決方案。

業(yè)務(wù)自動化

AI代理通過聊天機器人，電子郵件管理和銷售管道優(yōu)化的重複任務(wù)自動化重複任務(wù)。它們通過從高價值任務(wù)中釋放人力資源來提高生產(chǎn)率。

軟件開發(fā)

通過生成，測試和調(diào)試代碼，通過AI驅(qū)動的代理加速軟件生命週期，從而減少了開發(fā)時間和人為錯誤。

衛(wèi)生保健

AI代理協(xié)助醫(yī)療診斷，患者監(jiān)測和治療個性化，改善醫(yī)療保健提供和操作效率。

金融

金融系統(tǒng)中的代理工作流程自動化欺詐檢測，風險評估和投資分析，實現(xiàn)更快，更可靠的決策。

電子商務(wù)

情報機構(gòu)可以增強購物體驗中的個性化，優(yōu)化產(chǎn)品建議和客戶服務(wù)。

AI代理和代理工作流的興起意味著向能夠管理複雜過程的高度自主系統(tǒng)的轉(zhuǎn)變。它們的適應(yīng)性和學習能力使它們對於現(xiàn)代行業(yè)來說是必不可少的，推動了跨領(lǐng)域的創(chuàng)新，可擴展性和效率。隨著AI的不斷發(fā)展，AI代理將進一步集成到我們的日常工作流程中，從而改變瞭如何管理和執(zhí)行任務(wù)。

什麼是Pydanticai框架？

Pydanticai是由Pydantic，F(xiàn)astapi的創(chuàng)建者開發(fā)的Python代理框架，用於簡化利用生成AI的生產(chǎn)級應(yīng)用的構(gòu)建，它強調(diào)了類型的安全性，模型 - 敏銳的設(shè)計以及與大語言模型（LLMS）的無縫集成。

pydanticai的關(guān)鍵功能包括：

• 模型 - 不合Snostic的支持： Pydanticai與各種模型兼容，包括OpenAI，Antropic，Gemini，Groq，Mistral和Ollama，並具有直接的界面，以結(jié)合其他模型。
• 類型安全：利用Python的類型系統(tǒng)和Pydantic的驗證，Pydanticai確保了穩(wěn)健而可擴展的代理開發(fā)。
• 依賴注入系統(tǒng)：它引入了一種新穎的TY-SAFE依賴注入機制，增強了測試和評估驅(qū)動的發(fā)展。
• 結(jié)構(gòu)化響應(yīng)驗證：利用Pydantic的驗證功能，確保準確可靠的結(jié)構(gòu)響應(yīng)。
• LogFire集成：提供與Pydantic LogFire的集成，以增強對LLM功率應(yīng)用程序的調(diào)試和監(jiān)視。

這是Pydanticai的最小例子：

導入操作系統(tǒng)
來自Pydantic_ai進口代理
來自pydantic_ai.models.gemini導入geminimodel
來自dotenv import load_dotenv

load_dotenv（）

gemini_api_key = os.getenv（“ <google_api_key>”）

型號= geminimodel（
    “ Gemini-1.5-Flash”，
    api_key = gemini_api_key，
）

代理=代理（
    模型=模型，
    system_prompt =“要簡潔，用一個句子回復。”，，
）

結(jié)果= agent.run_sync（'“ Hello World”來自哪裡？'）
打?。╮esult.data）</google_api_key>

輸出：

現(xiàn)在是時候做一些真實的事情了。我們將使用Pydanticai代理框架構(gòu)建Postgres SQL查詢生成。

開始您的項目

通過逐步指南為您的項目奠定基礎(chǔ)，以設(shè)置基本工具和環(huán)境。

設(shè)置環(huán)境

我們將為該項目創(chuàng)建一個Conda環(huán)境。

 ＃創(chuàng)建一個環(huán)境
$ conda create -name sql_gen python = 3.12

＃激活env
$ conda激活sql_gen

現(xiàn)在，創(chuàng)建一個項目文件夾

＃創(chuàng)建一個文件夾
$ mkdir sql_code_gen
＃更改為文件夾
$ CD SQL_CODE_GEN

安裝Postgres和Load Database

要安裝Postgres，PSQL-Command-Tools和Pgadmin-4，只需轉(zhuǎn)到EDBDONDON for Systaller的系統(tǒng)，然後一次安裝所有工具即可。

現(xiàn)在，從Hereand下載DVDRENALE數(shù)據(jù)庫，將其加載到Postgres，請按照以下步驟

步驟1：打開終端

PSQL -U Postgres

＃它會要求密碼放置

步驟2：創(chuàng)建數(shù)據(jù)庫

＃在Postgres =＃中

創(chuàng)建數(shù)據(jù)庫DVDRENTAL；

步驟3：終端的命令

現(xiàn)在，退出PSQL命令，然後輸入終端

pg_restore -u postgres -d dvdrenaltal d：/sampledb/postgres/dvdrental.tar

步驟4：連接到PSQL

現(xiàn)在，連接到PSQL並檢查數(shù)據(jù)庫是否已加載。

 PSQL -U Postgres

＃與dvDretal
\ c dvDretal

＃讓我們看看桌子

\ dt

輸出：

如果您看到上表，則可以。我們都準備啟動我們的主要項目。

現(xiàn)在，將必要的Python庫安裝到SQL_GEN CONDA ENV中。

 conda激活sql_gen

＃安裝庫
PIP安裝pydantic asyncpg asyncio pydantic-ai 

PIP安裝Python-Dotenv Fastapi Google-generativeai

PIP安裝DevTools註釋類型類型擴展

項目結(jié)構(gòu)

我們的項目有4個文件，即主，模型，服務(wù)和架構(gòu)。

 sql_query_gen/
|
| -main.py
|  -  models.py
| -schema.py
| -service.py
|  - 
| --__ init__.py
|  - 。吉蒂尼爾

實施項目的逐步指南

通過此全面的實施指南，深入研究詳細的步驟和實用技術(shù)，以將您的項目從概念帶到現(xiàn)實。

Pydantic模型

我們將首先在模型中創(chuàng)建數(shù)據(jù)模型。

從數(shù)據(jù)級導入數(shù)據(jù)級
從輸入導入註釋
導入異步
從Annotated_types進口minlen
來自Pydantic Import Basemodel，field

@DataClass
班級級別：
    conn：asyncpg.connection

班級成功（基本模型）：
    sql_query：註釋[str，minlen（1）]
    說明：str = field（“”，description =“ SQL查詢的說明，作為Markdown”）

類InvalidRequest（basemodel）：
    error_message：str

在上述代碼中，

• DEPS類管理數(shù)據(jù)庫連接依賴性。 @dataclass會自動生成__init__和__repr__等特殊方法。 conn鍵入為`asyncpg.connection` ，代表一個活動的後Ql連接。該設(shè)計遵循依賴注入模式，使代碼更具測試和可維護。
• 成功類代表成功的SQL Query Generation， SQL_Query必須是一個非空字符串（ MinLen （1）），並使用註釋來添加驗證約束。說明是一個可選字段，帶有默認的空字符串。
• InvalidRequest類是錯誤響應(yīng)模型，代表了失敗的SQL Query Generation嘗試。

該代碼為數(shù)據(jù)庫連接管理，輸入驗證，結(jié)構(gòu)化響應(yīng)處理和錯誤處理建立了基礎(chǔ)。

服務(wù)模塊

現(xiàn)在，我們將在服務(wù)模塊中為SQL生成實施Pydanticai服務(wù)。

導入庫和配置

導入操作系統(tǒng)
從輸入進口聯(lián)盟
來自dotenv import load_dotenv
導入異步
從typing_extensions導入typealias
來自pydantic_ai進口代理，模型，runco??ntext
來自pydantic_ai.models.gemini導入geminimodel
從模式導入db_schema
從模型導入深度，成功，無效

要配置，請在項目root中創(chuàng)建.ENV文件，然後將您的Gemini API密鑰放在那裡

＃.env

gemini_api_key =“ asgfhkdhjy457gthjhajblsd”

然後在service.py文件中：

 load_dotenv（）

gemini_api_key = os.getEnv（“ google_api_key”）

它將從`````'''加載Google API密鑰。 env`文件。

創(chuàng)建模型和代理

響應(yīng)：typealias = union [成功，無效]

型號= geminimodel（
    “ Gemini-1.5-Flash”，
    api_key = gemini_api_key，
）

代理=代理（
    模型，
    result_type =響應(yīng)，＃類型：忽略
    dep_type = deps，
）

• 首先定義可以取得成功或無效的響應(yīng)類型
• 用API鍵初始化Gemini 1.5 Flash模型
• 創(chuàng)建具有指定響應(yīng)和依賴類型的Pydanticai代理

系統(tǒng)提示定義

現(xiàn)在，我們將定義SQL查詢生成的系統(tǒng)提示。

 @agent.system_prompt
異步def system_prompt（） - > str：
    返回f“” \

鑑於以下郵政記錄表，您的工作是
編寫適合用戶請求的SQL查詢。

資料庫結(jié)構(gòu)定義:
{db_schema}

例子
    請求：查找所有租金大於$ 4.00的電影和“ PG”的評級
    響應(yīng)：選擇標題，lental_rate
    來自電影
    其中rental_rate> 4.00和等級='pg';
例子
    請求：查找最長長度的電影
    響應(yīng)：選擇標題，長度
    來自電影
    其中長度=（從膠片中選擇最大（長度））;
例子
    請求：找到每個類別中電影的平均租金持續(xù)時間
    響應(yīng)：選擇C.NAME，AVG（F.Rental_duration）作為平均_rental_duration
    從類別c
    加入c.Category_id = fc.category_id on c.Category_id上
    加入FC.FILM_ID上的電影F = F.FILM_ID
    組由C.Name
    按平均訂單_rental_duration desc;
”“”

在這裡，我們定義了AI模型的基本上下文，並提供了示例查詢以指導模型的響應(yīng)。我們還將數(shù)據(jù)庫架構(gòu)信息包括在模型中，以便模型可以分析模式並產(chǎn)生更好的響應(yīng)。

響應(yīng)驗證

為了使AI模型無錯誤的響應(yīng)並符合項目要求，我們只是驗證了響應(yīng)。

 @Agent.Result_Validator
異步def validate_result（ctx：runco??ntext [deps]，結(jié)果：響應(yīng)） - >響應(yīng)：
    如果IsInstance（結(jié)果，無效）：
        返回結(jié)果

    ＃雙子座經(jīng)常向SQL添加反彈
    result.sql_query = result.sql_query.replace（“ \\”，“”）
    如果不是結(jié)果。
        提高模型培訓（“請創(chuàng)建一個選擇查詢”）

    嘗試：
        等待ctx.deps.conn.execute（f“ divell {result.sql_query}”）
    除了asyncpg.exceptions.postgreserror為e：
        從e提出模型的（f“無效的sql：{e}”）
    別的：
        返回結(jié)果

在這裡，我們將驗證並處理生成的SQL查詢

關(guān)鍵驗證步驟：

• 如果結(jié)果是無效的，請立即返回，請清理額外的後斜線
• 確保查詢是選擇語句
• 使用PostgreSQL解釋驗證SQL語法
• 提高無效查詢模型

資料庫結(jié)構(gòu)定義

要獲取數(shù)據(jù)庫架構(gòu)，請打開您在Postgres設(shè)置期間安裝的PGADMIN4，轉(zhuǎn)到`` dvDrenaltal`數(shù)據(jù)庫''，右鍵單擊它，然後單擊數(shù)據(jù)庫`。
您將獲得以下ERD圖，現(xiàn)在從ERD生成SQL（請參閱圖像上的圓形黑色標記）。

將架構(gòu)複製到schema.py模塊：

 ＃schema.py
db_schema =“”
開始;


創(chuàng)建表格，如果不存在public.actor
（（
    actor_id序列而不是null，
    first_name字符變化（45）caltrate pg_catalog?！澳J”而不是null，
    last_name字符變化（45）整理pg_catalog?！澳J”而不是null，
    last_update時間戳記沒有時區(qū)，而不是null默認值（），
    約束actor_pkey主鍵（actor_id）
）；
。
。
。
  
。
。
。
”“”

上面的代碼塊被嚴重截斷，要獲得完整的代碼，請訪問項目回購。

現(xiàn)在，所有必要的模塊都已完成，是時候?qū)崿F(xiàn)主方法和測試了。

實施主要

我們將執(zhí)行主要功能定義和提示處理。

導入異步
導入操作系統(tǒng)
導入系統(tǒng)
從輸入進口聯(lián)盟
來自dotenv import load_dotenv
導入異步
從DevTools導入調(diào)試
從typing_extensions導入typealias
來自Pydantic_ai進口代理
來自pydantic_ai.models.gemini導入geminimodel
從模型導入深度，成功，無效

load_dotenv（）

gemini_api_key = os.getEnv（“ google_api_key”）


響應(yīng)：typealias = union [成功，無效]

型號= geminimodel（
    “ Gemini-1.5-Flash”，
    api_key = gemini_api_key，
）

代理=代理（
    模型，
    result_type =響應(yīng)，＃類型：忽略
    dep_type = deps，
）


異步def main（）：
    如果Len（sys.argv）== 1：
        提示=“請創(chuàng)建一個選擇查詢”
    別的：
        提示= sys.argv [1]

    ＃連接到數(shù)據(jù)庫
    conn =等待asyncpg.connect（
        用戶=“ Postgres”，
        密碼=“ avizyt”，
        主機=“ localhost”，
        端口= 5432，
        數(shù)據(jù)庫=“ dvdretaltal”，
    ）
    嘗試：
        deps = deps（conn）
        結(jié)果=等待代理。
        結(jié)果= debug（result.data）
        打?。ā?==========您的查詢=========”）
        打印（debug（result.sql_query））
        打?。ā?===========解釋=========”）
        打印（debug（結(jié)果。解釋））

    最後：
        等待conn.close（）


如果__name__ ==“ __ -main __”：
    asyncio.run（main（））

首先，在這裡定義異步主函數(shù)，然後檢查客戶端查詢的命令行參數(shù)。如果沒有提供ARG，請使用默認提示。

然後，我們將Postgres連接參數(shù)設(shè)置為與DVDRENTAR數(shù)據(jù)庫服務(wù)連接。

在Try Block中，使用數(shù)據(jù)庫連接創(chuàng)建一個DEPS實例，使用提示來運行AI代理，使用調(diào)試函數(shù)（ PIP INSTALS DEVTOOLS ）處理結(jié)果。然後打印格式的輸出，包括生成的SQL查詢和查詢的說明。之後，我們終於關(guān)閉了數(shù)據(jù)庫連接。

現(xiàn)在運行主模塊，如下所示：

 ＃在終端中
python main.py“獲取每個客戶的租金總數(shù)”

輸出：

測試PGADMIN4中的SQL查詢後：

哇！它像我們想要的一樣工作。測試更多這樣的查詢並享受學習。

結(jié)論

該項目代表了使數(shù)據(jù)庫交互更加直觀和訪問的重要一步。通過將AI的功能與強大的軟件工程原則相結(jié)合，我們創(chuàng)建了一個工具，不僅可以生成SQL查詢，而且以安全，教育意義和實用的方式進行現(xiàn)實使用的方式。

該實施的成功表明了AI增強而不是取代傳統(tǒng)數(shù)據(jù)庫操作的潛力，從而為學習和生產(chǎn)力提供了有價值的工具。

項目回購- 此項目中使用的所有代碼都可以在此處獲得。

關(guān)鍵要點

• Pydanticai啟用智能，上下文感知的代碼生成。
• Gemini-1.5-Flash為技術(shù)任務(wù)提供了高級的自然語言理解。
• AI代理可以改變我們與數(shù)據(jù)庫交互的方式並生成代碼。
• 強大的驗證在AI生成的代碼系統(tǒng)中至關(guān)重要。

常見問題

A. Pydanticai提供了類型安全的，經(jīng)過驗證的代碼生成，具有內(nèi)置錯誤檢查和上下文理解。

A. Gemini模型提供了先進的自然語言處理，將復雜的人類查詢轉(zhuǎn)化為精確的SQL語句。

答：絕對！該體系結(jié)構(gòu)可以用於代碼生成，數(shù)據(jù)轉(zhuǎn)換和跨各個域的智能自動化。

本文所示的媒體不由Analytics Vidhya擁有，並由作者酌情使用。

以上是使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！