3 步让老板用大白话查数据库LangChain SQLDatabaseChain 入门指南【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain晚上八点老板在群里冒泡“昨天卖了多少单下班前给我个数。”订单表二十几列没人敢当场手写 SQL。这正是 SQLDatabaseChain 要解决的场景把自然语言问题喂给 LLM由它生成 SQL再拿去真实数据库执行直接把结果拿回来——从一句话到一个数一条龙完成。你可以把它理解成LLM 是个会写 SQL 但没见过你家表结构的实习生。SQLDatabaseChain 替他干了两件事——先把表结构以及少量真实数据样例递到他手上再拿他写好的查询去数据库里跑报错就改。跑通前需要先装三个包langchain-openai、langchain-community、langchain-experimental。第一次跑通5 分钟搭好“提问→出 SQL→出数”的链路 只需要三样东西一个连接串、一个模型、一句组链代码。from langchain_openai import ChatOpenAI from langchain_community.utilities import SQLDatabase from langchain_experimental.sql import SQLDatabaseChain sales_db SQLDatabase.from_uri(sqlite:///orders_demo.db) model ChatOpenAI(temperature0) chain SQLDatabaseChain.from_llm(model, sales_db, verboseTrue) print(chain(昨天支付成功的订单有多少笔))from_uri接的是连接串SQLite 记得写三个斜杠verboseTrue会把中间生成的 SQL 和查询结果打出来第一次调试能省掉一半排查时间。默认提示词已按数据库方言各准备了一份不用自己写就能开工。跑通这一段你就有一条完整的“问题进、数字出”的链路了。生成的 SQL 跑不对时怎么办模型查错八成是“没看够信息”。按症状对症处理写出表里不存在的列名给表结构里附几行真实数据写成SQLDatabase.from_uri(sqlite:///orders_demo.db, sample_rows_in_table_info2)模型看到2026-08-26这种格式就不容易猜错日期写法。SQL 本身有语法错误加use_query_checkerTrue让模型先把 SQL 跑一遍验证、通过后才正式作答相当于给查询加了一道“上线前试跑”。SQL 对、结果不对加return_intermediate_stepsTrue从返回的result[intermediate_steps]里能看到模型写的完整 SQL直接定位是 WHERE 条件还是 JOIN 出了问题。回答太啰嗦传promptPromptTemplate(...)换成自己的模板注意模板里必须带input、table_info、top_k三个占位符源码里有硬性校验少一个直接报错。老板想接着追问加memoryConversationBufferMemory()上一轮的问答会带进下一轮上下文。其中两个最常用的叠在一起就是一个构造调用chain SQLDatabaseChain.from_llm( model, sales_db, use_query_checkerTrue, top_k5, verboseTrue, )top_k5的含义是“每次最多查 5 行”这条约束会直接写进提示词里防止结果集把上下文撑爆。上生产之前先把这几道闸装好 ️给 LLM 的最小权限账号连接串用只读、无 DDL 的从库账号绝不用主账号。先认清官方定位SQLDatabaseChain 目前挂在 langchain_experimental 包里主仓库代码里的明示是——出于安全考虑它不适合直接用于生产。生产环境更稳的姿势是“只生成 SQL不自动执行”from langchain_classic.chains import create_sql_query_chain sql_only create_sql_query_chain(model, sales_db) sql_text sql_only.invoke({question: 昨天成交额是多少})create_sql_query_chain只产出 SQL 语句、不碰数据库人来审完这条语句再自己执行LLM 就摸不到真实数据。兜底限制别省top_k只是对模型的“口头要求”你自己的执行层仍要挂查询超时和 LIMIT 兜底。下一步建议想看提示词到底怎么拼的去langchain_classic/chains/sql_database/目录翻翻prompt.py里给 CrateDB、DuckDB 等方言都备了专门的模板。想做成“先查一下 → 追问 → 再查”的多步交互可以看agent_toolkits/sql/目录那里把数据库包装成了 Agent 可调用的工具集。踩坑速查 现象第一反应连接失败查连接串斜杠数量sqlite 是三个确认装了对应方言的驱动列名查不到加sample_rows_in_table_info喂真实样本行SQL 能跑但结果 0 行打开中间步骤看 WHERE 条件和日期格式返回行数太多top_k5并确认模型是否写了 LIMIT方言特性不生效检查SQLDatabase识别出的 dialect 是否正确以上五条基本覆盖第一次上手时 90% 的翻车现场。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 3 步让老板用大白话查数据库：LangChain SQLDatabaseChain 入门指南
3 步让老板用大白话查数据库LangChain SQLDatabaseChain 入门指南【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain晚上八点老板在群里冒泡“昨天卖了多少单下班前给我个数。”订单表二十几列没人敢当场手写 SQL。这正是 SQLDatabaseChain 要解决的场景把自然语言问题喂给 LLM由它生成 SQL再拿去真实数据库执行直接把结果拿回来——从一句话到一个数一条龙完成。你可以把它理解成LLM 是个会写 SQL 但没见过你家表结构的实习生。SQLDatabaseChain 替他干了两件事——先把表结构以及少量真实数据样例递到他手上再拿他写好的查询去数据库里跑报错就改。跑通前需要先装三个包langchain-openai、langchain-community、langchain-experimental。第一次跑通5 分钟搭好“提问→出 SQL→出数”的链路 只需要三样东西一个连接串、一个模型、一句组链代码。from langchain_openai import ChatOpenAI from langchain_community.utilities import SQLDatabase from langchain_experimental.sql import SQLDatabaseChain sales_db SQLDatabase.from_uri(sqlite:///orders_demo.db) model ChatOpenAI(temperature0) chain SQLDatabaseChain.from_llm(model, sales_db, verboseTrue) print(chain(昨天支付成功的订单有多少笔))from_uri接的是连接串SQLite 记得写三个斜杠verboseTrue会把中间生成的 SQL 和查询结果打出来第一次调试能省掉一半排查时间。默认提示词已按数据库方言各准备了一份不用自己写就能开工。跑通这一段你就有一条完整的“问题进、数字出”的链路了。生成的 SQL 跑不对时怎么办模型查错八成是“没看够信息”。按症状对症处理写出表里不存在的列名给表结构里附几行真实数据写成SQLDatabase.from_uri(sqlite:///orders_demo.db, sample_rows_in_table_info2)模型看到2026-08-26这种格式就不容易猜错日期写法。SQL 本身有语法错误加use_query_checkerTrue让模型先把 SQL 跑一遍验证、通过后才正式作答相当于给查询加了一道“上线前试跑”。SQL 对、结果不对加return_intermediate_stepsTrue从返回的result[intermediate_steps]里能看到模型写的完整 SQL直接定位是 WHERE 条件还是 JOIN 出了问题。回答太啰嗦传promptPromptTemplate(...)换成自己的模板注意模板里必须带input、table_info、top_k三个占位符源码里有硬性校验少一个直接报错。老板想接着追问加memoryConversationBufferMemory()上一轮的问答会带进下一轮上下文。其中两个最常用的叠在一起就是一个构造调用chain SQLDatabaseChain.from_llm( model, sales_db, use_query_checkerTrue, top_k5, verboseTrue, )top_k5的含义是“每次最多查 5 行”这条约束会直接写进提示词里防止结果集把上下文撑爆。上生产之前先把这几道闸装好 ️给 LLM 的最小权限账号连接串用只读、无 DDL 的从库账号绝不用主账号。先认清官方定位SQLDatabaseChain 目前挂在 langchain_experimental 包里主仓库代码里的明示是——出于安全考虑它不适合直接用于生产。生产环境更稳的姿势是“只生成 SQL不自动执行”from langchain_classic.chains import create_sql_query_chain sql_only create_sql_query_chain(model, sales_db) sql_text sql_only.invoke({question: 昨天成交额是多少})create_sql_query_chain只产出 SQL 语句、不碰数据库人来审完这条语句再自己执行LLM 就摸不到真实数据。兜底限制别省top_k只是对模型的“口头要求”你自己的执行层仍要挂查询超时和 LIMIT 兜底。下一步建议想看提示词到底怎么拼的去langchain_classic/chains/sql_database/目录翻翻prompt.py里给 CrateDB、DuckDB 等方言都备了专门的模板。想做成“先查一下 → 追问 → 再查”的多步交互可以看agent_toolkits/sql/目录那里把数据库包装成了 Agent 可调用的工具集。踩坑速查 现象第一反应连接失败查连接串斜杠数量sqlite 是三个确认装了对应方言的驱动列名查不到加sample_rows_in_table_info喂真实样本行SQL 能跑但结果 0 行打开中间步骤看 WHERE 条件和日期格式返回行数太多top_k5并确认模型是否写了 LIMIT方言特性不生效检查SQLDatabase识别出的 dialect 是否正确以上五条基本覆盖第一次上手时 90% 的翻车现场。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考