Teradata的高级分析功能
与其他数据库不同，Teradata 通过提供大量高级分析功能而脱颖而出，从数据清理和数据探索到模型训练、文本分析以及路径和模式分析功能。
其显著特点是所有这些功能都可以在数据库内无缝运行，无需设置单独的环境。执行这些函数时，它们将直接在数据库中进行处理，从而确保高性能。
表
例如，考虑数据库中的两个表：UserHistory和UserHistoryReferences 。使用该TD_VectorDistance函数，您可以在这些表之间找到相似的用户。查询语法如下：
SELECT target_id, reference_id, distancetype, CAST(distance AS DECIMAL(36,8)) AS distanceFROM TD_VECTORDISTANCE (ON target_mobile_data_dense AS TargetTableON ref_mobile_data_dense AS ReferenceTable DIMENSIONUSINGTargetIDColumn('userid')TargetFeatureColumns('CallDuration','DataCounter','SMS')RefIDColumn('userid')RefFeatureColumns('CallDuration','DataCounter','SMS')DistanceMeasure('cosine')TopK(2)) AS dt ORDER BY 3,1,2,4;以下是来自 DB 的结果：
Target_IDReference_ID DistanceType Distance-------------------------------------------15cosine 0.4548651817cosine 0.3260481525cosine 0.0260892327cosine 0.0079760935cosine 0.0241505437cosine 0.0033733845cosine 0.4382224347cosine 0.31184844
有关 Teradata 的高级分析详细信息，请查看此处的文档。
检索增强生成 （RAG）
为了便于您的代理了解如何使用这些功能，我建议采用一种称为检索增强生成 （RAG） 的技术。
此方法有助于根据查询查找相关说明。例如，如果我要求我的代理帮助我根据表UserHistory和 UserHistoryReferences，RAG 将有效地返回与此请求相关的适当语法和示例。
语法说明
为了获得 SQL 代理的最佳性能，语法指令应包含两条基本信息。首先，包括语法和每个参数的解释。其次，也是最重要的，提供例子。您提供的示例越多，代理生成的 SQL 语法就越准确。
让我们构建 RAG
# Import require libfrom langchain.embeddings import OpenAIEmbeddingsfrom langchain.vectorstores import FAISS
首先查看 Teradata 提供的文档。首先，准备包含解释和示例的语法说明。
syntax_1 = """Syntax Description :TD_VectorDistance () ...Example :TD_VectorDistance ( ... )"""syntax_2 = """..."""syntax_3 = """..."""
接下来，利用来自 Hugging Face 或 OpenAI Embedding Service 等平台的各种开源模型。在这种情况下，我利用 OpenAI 完成了这项任务。
embedding_function = OpenAIEmbeddings(openai_api_key=os.getenv("OPENAI_API"))
最后，在 Langchain 和 FAISS 数据库的帮助下，您只需几行代码即可完成该过程
technical_list = [syntax_1, syntax_2, syntax_3, ..syntax_n]db = FAISS.from_texts(technical_list, embedding_function)
您可以使用下面的简单代码轻松搜索数据库中的相关文档。例如，如果要查找用于计算相似性的语法，则以下代码将返回在上一步中准备的与查询相关的确切语法：
db.similarity_search("Calculate similarity")[0]将 RAG 与 SQL 代理集成
RAG 作为工具
在这篇博客中，我详细介绍了 如何利用SQL 代理与数据库交互等工具。现在，我的想法是将 RAG 指定为另一个工具sql_db_list_tables。这允许 SQL 代理决定何时浏览相关文档，并在需要时确定最合适的关键字进行搜索。
要使用 Langchain 创建自定义工具，请扩展 Langchain 提供的类并自定义函数BaseTool_run，如下所示。保持说明清晰至关重要，以确保 SQL 代理了解该工具的用途。
from langchain.tools import BaseToolfrom typing import Optionalfrom langchain.callback_manager import CallbackManagerForToolRun, AsyncCallbackManagerForToolRun# Define retrieverretriever = db.as_retriever()# Define customize toolclass TeradataSearchTool(BaseTool):name = "teradata_search_tool"description = "Input to this tool is a keyword such as binning or bucketing, similarity, moving average. Output is an instruction on how to use Teradata Syntax with examples to improve queries."def _run(self, query: str, run_manager: Optional[CallbackManagerForToolRun] = None) -> str:"""Use the tool."""global retrieverrelevant_doc = retriever.get_relevant_documents(query)if len(relevant_doc) == 0 or len(query) == 0:return "There are no Teradata syntax examples to be used in this scenario."else:return relevant_doc[0].page_contentasync def _arun(self, query: str, run_manager: Optional[AsyncCallbackManagerForToolRun] = None) -> str:"""Use the tool asynchronously."""raise NotImplementedError("custom_search does not support async")# Init teradata search toolteradata_search_tool = TeradataSearchTool()
使用自定义工具创建 SQL 代理
定义 Teradata 搜索工具后，可以使用以下代码创建 SQL 代理。此外，您可以在“extra_tools”部分中包括在上一步中创建的“teradata_search_tool”。
# Step 4. Create Agent Executor sql_agent = create_sql_agent(llm=model,toolkit=toolkit,verbose=True,agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,extra_tools=[teradata_search_tool],prefix=prefix,suffix=suffix)
agent_executor.run("Identify user similarities by analyzing the 'UserHistory' table using 'UserHistoryReference' as the reference table, focusing on attributes CallDuration, DataCounter, and SMS")当我要求代理通过使用“UserHistoryReference”作为参考表来分析“UserHistory”表来帮助我识别用户相似性时，重点关注 CallDuration、DataCounter 和 SMS 等属性，以下是结果。
代理结果
结论
