欧美日韩精品一区二区在线视频,亚洲成av人片久久,中文在线资源天堂www

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(yàn)證和數(shù)據(jù)庫管理的交集開辟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(qiáng)數(shù)據(jù)庫查詢開發(fā)。

對于開發(fā)人員，數(shù)據(jù)科學(xué)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，可以輕松而準(zhǔn)確地創(chuàng)建復(fù)雜的數(shù)據(jù)庫查詢。

學(xué)習(xí)目標(biāo)

了解Pydantic和Pydanticai的基本面。
了解如何實(shí)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(jìn)行SQL翻譯。
洞悉用于構(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(xué)博客馬拉松的一部分發(fā)表。

什么是pydanticai？

Pydanticai是一個強(qiáng)大的Python庫，可革新數(shù)據(jù)驗(yàn)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，從而易于創(chuàng)建和驗(yàn)證復(fù)雜的數(shù)據(jù)結(jié)構(gòu)。

Pydantic的重要特征包括：

定制

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

靈活性

允許控制數(shù)據(jù)驗(yàn)證嚴(yán)格性：

將數(shù)據(jù)脅到預(yù)期類型
在需要時執(zhí)行嚴(yán)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(xiàn)的API和與使用JSON模式的工具的兼容性。

表現(xiàn)

核心驗(yàn)證邏輯以生銹為特殊的速度和效率編寫。
適用于可擴(kuò)展REST API等高通量應(yīng)用的理想選擇。

生態(tài)系統(tǒng)

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

Pydanticai的示例

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

基本數(shù)據(jù)驗(yàn)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?。ā?==================================
＃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(yàn)證了正確的數(shù)據(jù)，但是當(dāng)提供了無效的數(shù)據(jù)（年齡的字符串）時，會引起驗(yàn)證錯誤。

輸出：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

自動型強(qiáng)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））

在這里，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：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

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
打印（user.address.city）

在這里，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(yàn)證，并自動轉(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Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

使用自定義規(guī)則驗(yàn)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 =“年齡必須大于零”）

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

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

輸出：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

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(yàn)證的基本原理。

什么是AI代理？

AI代理是智能系統(tǒng)，旨在自主執(zhí)行任務(wù)，做出決策并與其環(huán)境互動以實(shí)現(xiàn)特定目標(biāo)。這些代理并不是新的，而是生成AI的近期快速發(fā)展，并將其與代理相結(jié)合，使代理軟件在新時代開發(fā)。現(xiàn)在，代理可以處理輸入，執(zhí)行操作并動態(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(yù)的情況下在各個領(lǐng)域發(fā)揮作用。

什么是代理工作流程？

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(biāo)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(dú)立做出決策，委派子任務(wù)并從反饋中學(xué)習(xí)，從而導(dǎo)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(fù)雜的任務(wù)自動化，增強(qiáng)決策和推動效率來徹底改變行業(yè)。這些智能系統(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(jī)器人，電子郵件管理和銷售管道優(yōu)化的重復(fù)任務(wù)自動化重復(fù)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周期，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(fēng)險評估和投資分析，實(shí)現(xiàn)更快，更可靠的決策。

電子商務(wù)

情報機(jī)構(gòu)可以增強(qiáng)購物體驗(yàn)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復(fù)雜過程的高度自主系統(tǒng)的轉(zhuǎn)變。它們的適應(yīng)性和學(xué)習(xí)能力使它們對于現(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(kuò)展性和效率。隨著AI的不斷發(fā)展，AI代理將進(jìn)一步集成到我們的日常工作流程中，從而改變了如何管理和執(zhí)行任務(wù)。

什么是Pydanticai框架？

Pydanticai是由Pydantic，F(xiàn)astapi的創(chuàng)建者開發(fā)的Python代理框架，用于簡化利用生成AI的生產(chǎn)級應(yīng)用的構(gòu)建，它強(qiáng)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，并具有直接的界面，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(yàn)證，Pydanticai確保了穩(wěn)健而可擴(kuò)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(jī)制，增強(qiáng)了測試和評估驅(qū)動的發(fā)展。
結(jié)構(gòu)化響應(yīng)驗(yàn)證：利用Pydantic的驗(yàn)證功能，確保準(zhǔn)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(qiáng)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(dǎo)入操作系統(tǒng)
來自Pydantic_ai進(jìn)口代理
來自pydantic_ai.models.gemini導(dǎo)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(fù)?！保?，
）

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

輸出：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

現(xiàn)在是時候做一些真實(shí)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(xiàng)目

通過逐步指南為您的項(xiàng)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(xiàng)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(xiàng)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)，然后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，然后輸入終端

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并檢查數(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：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

如果您看到上表，則可以。我們都準(zhǔn)備啟動我們的主要項(xiàng)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注釋類型類型擴(kuò)展

項(xiàng)目結(jié)構(gòu)

我們的項(xiàng)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(shí)施項(xiàng)目的逐步指南

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

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(dǎo)入數(shù)據(jù)級
從輸入導(dǎo)入注釋
導(dǎo)入異步
從Annotated_types進(jìn)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：注釋[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` ，代表一個活動的后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(hù)。
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）），并使用注釋來添加驗(yàn)證約束。說明是一個可選字段，帶有默認(rèn)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(yàn)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(shí)施Pydanticai服務(wù)。

導(dǎo)入庫和配置

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

要配置，請?jiān)陧?xiàng)目root中創(chuàng)建.ENV文件，然后將您的Gemini API密鑰放在那里

＃.env

gemini_api_key =“ asgfhkdhjy457gthjhajblsd”

然后在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“” \

鑒于以下郵政記錄表，您的工作是
編寫適合用戶請求的SQL查詢。

數(shù)據(jù)庫架構(gòu)：
{db_schema}

例子
    請求：查找所有租金大于$ 4.00的電影和“ PG”的評級
    響應(yīng)：選擇標(biāo)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(biāo)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;
”“”

在這里，我們定義了AI模型的基本上下文，并提供了示例查詢以指導(dǎo)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并產(chǎn)生更好的響應(yīng)。

響應(yīng)驗(yàn)證

為了使AI模型無錯誤的響應(yīng)并符合項(xiàng)目要求，我們只是驗(yàn)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(xùn)（“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

在這里，我們將驗(yàn)證并處理生成的SQL查詢

關(guān)鍵驗(yàn)證步驟：

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

數(shù)據(jù)庫架構(gòu)

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，然后單擊數(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(biāo)記）。

將架構(gòu)復(fù)制到schema.py模塊：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

 ＃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(rèn)”而不是null，
    last_name字符變化（45）整理pg_catalog。“默認(rèn)”而不是null，
    last_update時間戳記沒有時區(qū)，而不是null默認(rèn)值（），
    約束actor_pkey主鍵（actor_id）
）；
。
。
。
  
。
。
。
”“”

上面的代碼塊被嚴(yán)重截斷，要獲得完整的代碼，請?jiān)L問項(xiàng)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(shí)施主要

我們將執(zhí)行主要功能定義和提示處理。

導(dǎo)入異步
導(dǎo)入操作系統(tǒng)
導(dǎo)入系統(tǒng)
從輸入進(jìn)口聯(lián)盟
來自dotenv import load_dotenv
導(dǎo)入異步
從DevTools導(dǎo)入調(diào)試
從typing_extensions導(dǎo)入typealias
來自Pydantic_ai進(jìn)口代理
來自pydantic_ai.models.gemini導(dǎo)入geminimodel
從模型導(dǎo)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(jī)=“ 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?。╠ebug（結(jié)果。解釋））

    最后：
        等待conn.close（）


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

首先，在這里定義異步主函數(shù)，然后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(rèn)提示。

然后，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(shí)例，使用提示來運(yùn)行AI代理，使用調(diào)試函數(shù)（ PIP INSTALS DEVTOOLS ）處理結(jié)果。然后打印格式的輸出，包括生成的SQL查詢和查詢的說明。之后，我們終于關(guān)閉了數(shù)據(jù)庫連接。

現(xiàn)在運(yùn)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：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

測試PGADMIN4中的SQL查詢后：

使用Pydanticai建立生產(chǎn)級LLM驅(qū)動的應(yīng)用

哇！它像我們想要的一樣工作。測試更多這樣的查詢并享受學(xué)習(xí)。

結(jié)論

該項(xiàng)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(qiáng)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(shí)用的方式進(jìn)行現(xiàn)實(shí)使用的方式。

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

項(xiàng)目回購- 此項(xiàng)目中使用的所有代碼都可以在此處獲得。