建设网站的公司广州dw网页设计代码茶文化

建设网站的公司广州,dw网页设计代码茶文化,安徽省水利建设厅官方网站,菏泽做网站实现AI和BI整合的初步思路和探索-Part2在上一篇中我提到了一个B站最新的一个LangChain 1.0的SQL Agent的视频#xff0c;通过提供给SQL Agent的tools#xff0c;可以引导大模型先查看数据库下都有哪些表#xff0c;然后查看指定表的结构#xff0c;最后再将这些相关表关联在…实现AI和BI整合的初步思路和探索-Part2在上一篇中我提到了一个B站最新的一个LangChain 1.0的SQL Agent的视频通过提供给SQL Agent的tools可以引导大模型先查看数据库下都有哪些表然后查看指定表的结构最后再将这些相关表关联在一起生成查询完全符合我们在处理相应问题时的处理逻辑。这种场景在处理简单问题或者数据结构比较简单的时候没有问题但是当我们的相应表的关联逻辑如果比较复杂我们很难相信也很难指定让大模型能生成正确的查询时有什么解决方案吗这个时候我们就要结合AIBI的能力也就是让大模型和DWH一起协同来解决。在DWH中除了标准的维度模型在此基础之上面我们还可以创建一个data mart层这个是DWH领域常见的一种方式以前都是供reportdashboard和data mining用的这里我们也可以供LLM使用。接下来我们创建这个DWH中的data mart层这个过程很类似于Power BI中的数据建模就是将所有相关的表JOIN在一起然后生成一个宽表里面只保留可能用到的字段这样一来就解决了大模型自己JOIN可能丢失关键逻辑以及提示词空间的问题。如果大模型理解不了相应的字段内容我们还可以将字段重新命名成更容易理解的方式来帮助大模型把可操作和调整的范围完全掌握在自己手里。首先回顾一下相应的表结构。img在SQLServer中通过以下代码将相关事实表和维度表整合在一起也就是通过人工的方法把相应的数据进行整合避免大模型只根据字面的意思无法加入特定的逻辑。BTW以下代码简单粗暴纯做演示用实际项目中仅供大家参考。SELECT p1.EnglishProductName, p2.EnglishProductSubcategoryName, p3.EnglishProductCategoryName,cust.AddressLine1 as CustomerAddressLine, cust.BirthDate as CustomerBirthDate,cust.CommuteDistance as CustomerCommuteDistance, cust.DateFirstPurchase as CustomerDateFirstPurchase,cust.EnglishEducation as CustomerEducation, cust.TotalChildren as CustomerTotalChildren,cust.YearlyIncome as CustomerYearlyIncome,cust.FirstName as CustomerFirstName, cust.LastName as CustomerLastName,promotion.EnglishPromotionName, promotion.EnglishPromotionCategory, promotion.EnglishPromotionType, promotion.DiscountPct,terr.SalesTerritoryRegion, terr.SalesTerritoryGroup, terr.SalesTerritoryCountry,[CurrencyKey],[SalesOrderNumber],[SalesOrderLineNumber],[RevisionNumber],[OrderQuantity],[UnitPrice],[ExtendedAmount],[UnitPriceDiscountPct],[DiscountAmount],[ProductStandardCost],[TotalProductCost],[SalesAmount],[TaxAmt],[Freight],[OrderDate],[DueDate],[ShipDate] INTO [AdventureWorksDW2016].[dbo].[DataMartInternetSales]FROM [AdventureWorksDW2016].[dbo].[FactInternetSales] factLEFT JOIN [dbo].[DimProduct] p1 on fact.ProductKeyp1.ProductKeyLEFT JOIN [dbo].[DimProductSubCategory] p2 on p1.ProductSubcategoryKeyp2.ProductSubcategoryKeyLEFT JOIN [dbo].[DimProductCategory] p3 on p2.ProductCategoryKeyp3.ProductCategoryKeyLEFT JOIN [dbo].[DimCustomer] cust on fact.CustomerKeycust.CustomerKeyLEFT JOIN [dbo].[DimPromotion] promotion on fact.PromotionKeypromotion.PromotionKeyLEFT JOIN [dbo].[DimSalesTerritory] terr on fact.SalesTerritoryKeyterr.SalesTerritoryKey然后生成新建的表生成CREATE TABLE的脚本以备后续的大模型提示词用。可以看到通过这种方式提供给大模型的schema信息就短了很多。CREATE TABLE [dbo].[DataMartInternetSales]([EnglishProductName] [nvarchar](50) NULL,[EnglishProductSubcategoryName] [nvarchar](50) NULL,[EnglishProductCategoryName] [nvarchar](50) NULL,[CustomerAddressLine] [nvarchar](120) NULL,[CustomerBirthDate] [date] NULL,[CustomerCommuteDistance] [nvarchar](15) NULL,[CustomerDateFirstPurchase] [date] NULL,[CustomerEducation] [nvarchar](40) NULL,[CustomerTotalChildren] [tinyint] NULL,[CustomerYearlyIncome] [money] NULL,[CustomerFirstName] [nvarchar](50) NULL,[CustomerLastName] [nvarchar](50) NULL,[EnglishPromotionName] [nvarchar](255) NULL,[EnglishPromotionCategory] [nvarchar](50) NULL,[EnglishPromotionType] [nvarchar](50) NULL,[DiscountPct] [float] NULL,[SalesTerritoryRegion] [nvarchar](50) NULL,[SalesTerritoryGroup] [nvarchar](50) NULL,[SalesTerritoryCountry] [nvarchar](50) NULL,[CurrencyKey] [int] NOT NULL,[SalesOrderNumber] [nvarchar](20) NOT NULL,[SalesOrderLineNumber] [tinyint] NOT NULL,[RevisionNumber] [tinyint] NOT NULL,[OrderQuantity] [smallint] NOT NULL,[UnitPrice] [money] NOT NULL,[ExtendedAmount] [money] NOT NULL,[UnitPriceDiscountPct] [float] NOT NULL,[DiscountAmount] [float] NOT NULL,[ProductStandardCost] [money] NOT NULL,[TotalProductCost] [money] NOT NULL,[SalesAmount] [money] NOT NULL,[TaxAmt] [money] NOT NULL,[Freight] [money] NOT NULL,[OrderDate] [datetime] NULL,[DueDate] [datetime] NULL,[ShipDate] [datetime] NULL) ON [PRIMARY]把以上脚本加入到提示词中{{#sys.query#}}你是一个数据库专家专注SQLServer的SQL语句生成。以下是相关表结构***考虑到篇幅排版这里省略建表脚本实际使用请粘贴建表脚本至此。请将用户的请求转换成相应的SQL查询。直接生成SQL查询只返回SQL查询不要生成其它任何内容。{{#sys.files#}}这样用户就可以针对这张表来进行提问。img可以看到基于我的这几个测试用例整个过程还算靠谱。接下来做进一步的功能改进我们尝试加入Row Level Security因素。这里我们通过Territory进行筛选也就是模拟一个让一个销售岗位的人只能看到其岗位的数据。为了模拟这个功能首先在工作流开始部分加一个下拉列表参数里面加入DimSalesTerritory表的所有值并加一个ALL在列表中。其中ELSE部分的LLM模块的提示词大概如下所示提示词中加入了对销售区域的筛选{{#sys.query#}}你是一个数据库专家专注SQLServer的SQL语句生成。以下是相关表结构***考虑到篇幅排版这里省略建表脚本实际使用请粘贴建表脚本至此。请将用户的请求转换成相应的SQL查询。直接生成SQL查询只返回SQL查询不要生成其它任何内容。将{x}SalesTerritory加入到对SalesTerritoryRegion的筛选。{{#sys.files#}}接下来首先看我的工作流img可以看到我加了一个IF条件分支当用户选择ALL的时候走一个LLM否则走另外一支的LLM。这样做是因为在告诉大模型处理ALL和指定值的逻辑时LLM返回的SQL语句总是莫名其妙。所以这里将逻辑通过IF分支做了简化。BTW:也是为了自己的血压所以真不想跟大模型扛下去了脾气不好的真的会被气到赶上辅导孩子写作业了。。。接下来看下运行结果。imgimg一些其它的细节有时大模型对字段的理解会有问题比如销售区域会去找字段Sales Promotion。为了辅助大模型的理解在系统提示词里我加入了以下内容销售区域和销售岗位对应的字段是SalesTerritoryRegion。促销名称对应的字段是EnglishPromotionName。从大模型的推理能看到这些内容是有被参考到的。此外还需要留意不同大模型的反馈是不同的除了他们可能会以不同的方式气到你之外后续的处理代码也会不同比如如果替换成了DeepSeek V3.1那么就没有Think部分的输出也就是后面就不需要去Split了。其它问题