每天的專案會同步到 GitLab 上，可以前往 GitLab 查看。
有興趣的朋友歡迎留言 or 來信討論，我的信箱是 nickchen1998@gmail.com。

在昨天的結尾當中，我們有提到 LangChain 中的 Chain，今天我們就來看一下 Chain 的語法該怎麼寫。

取得資料表資訊

延續昨天的文章，如果們要進行更加複雜的查詢，就必須要把資料表的詳細資訊一併傳遞給 LLM，這樣 LLM 才可以協助我們寫出更加完善的查詢語法。
而在 LangChain 當中，當然也幫我們寫好了一個方法讓我們可以直接使用，讓我們看一下下面的範例：

from langchain.chains import create_sql_query_chain
from env_settings import EnvSettings
from langchain_openai import ChatOpenAI
from langchain_community.utilities import SQLDatabase


env_settings = EnvSettings()
llm = ChatOpenAI(
    api_key=env_settings.OPENAI_API_KEY,
    model_name="gpt-4o"
)

db = SQLDatabase.from_uri("sqlite:///./test.db")
create_query = create_sql_query_chain(db=db, llm=llm)
print(create_query.invoke({"question": "請問 Alice 買了什麼東西？"}))

在這個範例當中，我們使用了 create_sql_query_chain 這個方法，這個方法會幫我們建立一個 Chain，
這個 Chain 會將我們的問題傳遞給 LLM 並且透過資料庫的資訊來產生 SQL 語句，
這樣我們就可以直接透過這個 Chain 來取得我們想要的 SQL 語句，然而我們可以看一下下方的執行結果：

可以看到在執行結果中，我們成功的取得了我們想要的 SQL 語句，不過這個語句還是有一些問題，我們需要去除一些雜訊，因此我們寫了這個小 function：

import re
def clean_sql_query(query):
    sql_query = query.replace("```sql\n", "").replace("\n```", "").strip().replace("\n", " ")
    pattern = r'SELECT.*'
    match = re.search(pattern, sql_query, re.DOTALL | re.IGNORECASE)

    return match.group() if match else sql_query

串聯 Chain

接著就是要將我們的兩個動作串連起來了，在 LangChain 當中，不同的兩個動作，我們稱為 Operator，有學過 Airflow 的朋友應該會很眼熟，
沒錯，在 LangChain 當中同樣也可以使用類似於 Airflow 的語法來進行撰寫，讓我們看一下下面的範例：

import re
from langchain.chains import create_sql_query_chain
from env_settings import EnvSettings
from langchain_openai import ChatOpenAI
from langchain_community.utilities import SQLDatabase
from langchain_community.tools import QuerySQLDataBaseTool


def clean_sql_query(query):
    sql_query = query.replace("```sql\n", "").replace("\n```", "").strip().replace("\n", " ")
    pattern = r'SELECT.*'
    match = re.search(pattern, sql_query, re.DOTALL | re.IGNORECASE)

    return match.group() if match else sql_query


env_settings = EnvSettings()
llm = ChatOpenAI(
    api_key=env_settings.OPENAI_API_KEY,
    model_name="gpt-4o"
)

db = SQLDatabase.from_uri("sqlite:///./test.db")
create_query = create_sql_query_chain(db=db, llm=llm)
execute_query = QuerySQLDataBaseTool(db=db)


chain = create_query | clean_sql_query | execute_query
print(chain.invoke({"question": "請問 Alice 買了什麼東西？"}))

可以看到我們透過 | 這個符號將三個 Operator 串連起來，這樣我們就可以直接透過 chain.invoke 來執行我們的 Chain，
其中 execute_query 這個參數是我們昨天有提到的 QuerySQLDataBaseTool，這個 Tool 會將 SQL 語句傳遞給資料庫進行操作，
下面來看一下我們的執行結果：

取得前面 Operator 的參數

在查詢出我們要的資料後，我們要將資料連同原始的問題一起傳遞給 LLM 進行回答，這時候我們就需要取得前面 Operator 的參數，
我們可以使用 itemgetter 這個方法來取得，讓我們看一下下面的範例：

import re
from langchain.chains import create_sql_query_chain
from env_settings import EnvSettings
from langchain_openai import ChatOpenAI
from langchain_community.utilities import SQLDatabase
from langchain_community.tools import QuerySQLDataBaseTool
from langchain_core.prompts import ChatPromptTemplate
from operator import itemgetter


def clean_sql_query(query):
    sql_query = query.replace("```sql\n", "").replace("\n```", "").strip().replace("\n", " ")
    pattern = r'SELECT.*'
    match = re.search(pattern, sql_query, re.DOTALL | re.IGNORECASE)

    return match.group() if match else sql_query



env_settings = EnvSettings()
llm = ChatOpenAI(
    api_key=env_settings.OPENAI_API_KEY,
    model_name="gpt-4o"
)

db = SQLDatabase.from_uri("sqlite:///./test.db")
create_query = create_sql_query_chain(db=db, llm=llm)
execute_query = QuerySQLDataBaseTool(db=db)
search_template = ChatPromptTemplate.from_template(
    """
    原始問題: {question}
    取得的參考資料: {data}
    """,
)


chain = (
    {
        "data": create_query | clean_sql_query | execute_query,
        "question": itemgetter("question")
    }
    | search_template
    | llm
)
ai_message = chain.invoke({"question": "請問 Alice 買了什麼東西？"})
print(ai_message.content)

可以看到在範例當中，我們在第一個 operator 中使用了 itemgetter 來取得 question 這個參數，並且將查詢資料的 chain 寫在 data 這個參數裡面，
這樣我們就可以直接將查詢出的資料作為參數提供給後面的 operator 進行使用。

下面我們看一下執行結果：

可以看到在執行結果中，我們成功的取得了我們想要的回答，表示在 search_template 當中有成功使用到我們定義的 data 以及 question 這兩個參數。

內容預告

針對串接語言模型以及 LangChain 基本語法及概念的部分，我們就暫時介紹到這邊，明天開始我們會進入到 Embedding、RAG 以及如何使用 LangChain 來進行問答系統的開發。