苏州集团网站制作设计品牌建设的具体措施

1、vanna介绍

1.1、基本介绍

vanna是一个基于 MIT 许可的开源 Python RAG（检索增强生成）框架，专注于 SQL 生成和相关功能。它利用大型语言模型（LLM）和检索增强生成技术，将自然语言输入转换为 SQL 查询，允许用户通过自然语言与数据库交互，无需精通 SQL 语法即可提取数据中的有价值信息。Vanna 的核心目标是简化数据库交互，降低数据查询的技术门槛，适用于数据分析师、业务专家以及普通用户。

1.2、工作原理

Vanna 的工作流程主要分为以下步骤：

• 训练 RAG 模型：
  基于用户的数据库模式（DDL）、元数据、文档和示例 SQL 查询，训练一个 RAG 模型，用于理解数据库结构和用户意图。
• 语义检索：
  用户提出自然语言问题后，Vanna 通过向量数据库进行语义检索，匹配相关信息。
• 生成 SQL 查询：
  结合检索到的上下文，利用 LLM 生成对应的 SQL 查询。
• 执行与反馈：
  在数据库中执行生成的 SQL 查询，并以表格或图表形式展示结果。同时，Vanna 支持自我学习，用户反馈和成功查询可进一步优化模型。

1.3、优点

• 开源与可定制
  • 作为 MIT 许可的开源框架，Vanna 允许用户根据需求进行定制和集成，适应不同业务场景。
  • GitHub 星标已超 7200，社区活跃，持续优化潜力大。
• 数据可视化
  查询结果以易于理解的表格、Pandas DataFrame 直观的可视化图表呈现，帮助用户快速获取洞察。

2、vanna+deepseekV3+mysql+streamlit本地化部署

2.1、创建conda环境，安装依赖

• 创建conda环境

conda create -n vanna-learn python=3.10
conda activate vanna-learn

• 安装依赖包

pip3 install 'vanna[chromadb,mysql]'
pip3 install openai
pip3 install streamlit

2.2、Mysql数据准备

• 创建数据库

CREATE SCHEMA `test_vn` DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

• 创建表

CREATE TABLE `user` (`id` SERIAL COMMENT '用户ID',`name` varchar(64) DEFAULT NULL COMMENT '姓名',`age` INT(10) NULL DEFAULT NULL COMMENT '年龄',`gender` enum('MALE','FEMALE') NULL DEFAULT NULL COMMENT '性别',PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=2 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;

• 插入测试数据

drop procedure if exists insert_emp; 
delimiter ;;
create procedure insert_emp()        
begindeclare i int;                    set i=1;                          while(i<=1000)do                 insert into user(name,age,gender) values(CONCAT('tacy',i), FLOOR(RAND() * 100) + 1, IF(i % 3 = 0 , 'FEMALE', 'MALE')); set i=i+1;                       end while;
end;;
delimiter ;
call insert_emp();

2.3、新建pycharm项目

2.4、封装deepseek大模型

新建deepseek_chat,py

from vanna.base import VannaBase
from openai import OpenAIclass DeepSeekChat(VannaBase):def __init__(self, config=None):if config is None:raise ValueError("For DeepSeek, config must be provided with an api_key and model")if "api_key" not in config:raise ValueError("config must contain a DeepSeek api_key")if "model" not in config:raise ValueError("config must contain a DeepSeek model")api_key = config["api_key"]model = config["model"]self.model = modelself.client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com/v1")def system_message(self, message: str) -> any:return {"role": "system", "content": message}def user_message(self, message: str) -> any:return {"role": "user", "content": message}def assistant_message(self, message: str) -> any:return {"role": "assistant", "content": message}def generate_sql(self, question: str, **kwargs) -> str:# 使用父类的 generate_sqlsql = super().generate_sql(question, **kwargs)# 替换 "\_" 为 "_"sql = sql.replace("\\_", "_")return sqldef submit_prompt(self, prompt, **kwargs) -> str:chat_response = self.client.chat.completions.create(model=self.model,messages=prompt,)return chat_response.choices[0].message.content

2.5、定义MyVanna

新建my_vanna,py

from vanna.chromadb import ChromaDB_VectorStore
from deepseek_chat import DeepSeekChatclass MyVanna(ChromaDB_VectorStore, DeepSeekChat):def __init__(self, config=None):ChromaDB_VectorStore.__init__(self, config=config)DeepSeekChat.__init__(self, config=config)

2.6、构建streamlit的app

新建app.py

1. 实例化MyVanna

import streamlit as st
from my_vanna import MyVanna
import os
# DEEPSEEK_API_KEY在环境变量中设置
vn = MyVanna({'api_key': os.getenv('DEEPSEEK_API_KEY'), 'model': "deepseek-chat"})

2. 连接数据库MYSQL

vn.connect_to_mysql(host='localhost', port=3306, dbname='test_vn', user='root', password='password')

3. train

• ddl表数据: 有多张表，分多个ddl,分次调用train()

DDL_USER="""
CREATE TABLE `user` (`id` SERIAL COMMENT '用户ID',`name` varchar(64) DEFAULT NULL COMMENT '姓名',`age` INT(10) NULL DEFAULT NULL COMMENT '年龄',`gender` enum('MALE','FEMALE') NULL DEFAULT NULL COMMENT '性别',PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=2 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
"""
vn.train(ddl=DDL_USER)

• documentation

vn.train(documentation='"即将失业的人"是指age>=35岁，也就是大于35岁的人会面临就业危机')

• 存储sql到向量数据库

# 只传sql,让大模型根据SQL构造一个question
vn.train(sql='select name from user where age between 35 and 60')# question-sql
vn.train(question='tacy18的年龄', sql='select age from user where name="tacy18"')

5. 编写stream lit页面

st.header("你好，我是你的图表AI助理")
my_question = st.text_input("请问你要查询什么数据？")
if st.button("发送"):if my_question:# 大模型根据自然语言描述的问题生成SQLsql = vn.generate_sql(my_question)# 执行SQL获取数据df = vn.run_sql(sql)# 调用大模型生成绘制图表的代码code = vn.generate_plotly_code(question=my_question, sql=sql, df=df)# 绘制图表fig = vn.get_plotly_figure(plotly_code=code, df=df)# 显示结果st.plotly_chart(fig, use_container_width=True)

6. 启动应用

streamlit run app.py

2.7、app演示