大家好，LLMS 的一个重要应用是能够用自然语言查询和与数据库交互，提取见解。Vanna AI 是一个开源的 Python 库，专门用于这种功能。通过 Vanna AI，我们可以将数据库与自然语言查询连接起来，并生成相应的 SQL 查询，从而在数据库中执行这些查询并获取结果。这一过程还提供了 SQL 查询的验证功能，以确保结果的准确性。
▲ Vanna 的工作原理
Vanna AI 正在不断开发中，并且越来越受欢迎。它的工作原理是一个两步过程：首先，我们需要训练一个模型，这个模型包含我们所知道的关于数据库的所有信息，例如 DDL 语句、文档以及示例 SQL 语句。这些信息会被嵌入并存储在向量数据库中，这是一个一次性的过程。
▲ Vanna 的工作分为两个简单的步骤 - 在您的数据上训练 RAG“模型”，然后提出问题，这些问题将返回可设置为在您的数据库上自动运行的 SQL 查询。
一旦模型训练完成，我们就可以提出问题，系统会为问题创建嵌入，然后进行向量相似搜索，以找到相似的嵌入。这些相似的嵌入用于生成 SQL 查询，并在数据库中执行以获得结果。我们可以通过这种方式得到想要的数据或图表。
这里有一个详细的图示，说明了在训练模型后如何工作。我们收集了所有相关的 DDL 文档和 SQL 查询，并将它们存储在向量存储中。提出问题后，会生成与问题相关的嵌入，并与向量存储中的嵌入进行比较，找出相似的嵌入。然后将问题和上下文信息传递给 LLM，生成 SQL 查询并执行，以获得结果。
如果得到的结果正确，这意味着生成的 SQL 查询是正确的。我们可以将这个查询和生成的 SQL 添加回向量存储中，从而使模型随着时间的推移对数据库的了解越来越多，并且提供更准确的结果。
从总体上看，Vanna AI 系统需要两个组件：用于存储数据库信息的向量存储和用于生成 SQL 查询的 LLM。我们可以通过简单的 PIP 安装来安装 Vanna AI 库，连接模型和数据库，并生成查询。
我们今天使用 Vanna 提供的内置演示模型进行演示。首先，我们连接到一个模型和数据库，看看数据库的架构。这个示例数据库是一个音乐商店，包含员工、客户、发票和艺术家等相关信息，共有 11 个表。使用 SQL Alchemy 直接连接数据库，并提取表名。
在使用 Vanna AI 时，我们只需导入库，连接模型和数据库，然后就可以开始提问了。例如，我们询问销量最高的前五位艺术家，生成的 SQL 查询涉及多个表，最终得到了正确的结果和一个图表。
Vanna 还提供了一个本地主机界面，可以运行示例查询并生成相应的结果和图表。结果可以下载为 CSV 文件。
总结一下，一旦我们有了数据库，我们需要训练一个模型并连接数据库和模型，然后就可以开始提问了。下一个视频将展示如何连接我们自己的数据库并训练模型。谢谢大家。
主要思想提取：
1. Vanna AI 是一个开源的 Python 库，可以用自然语言查询和与数据库互动。
2. 该库将自然语言问题转换为 SQL 查询，并执行这些查询。
3. 使用 Vanna AI 的流程包括两步：训练模型和使用模型进行查询。
4. 训练模型时，将数据库相关的信息（如 DDL 语句、文档、示例 SQL 语句）嵌入并存储在向量数据库中。
5. 查询时，Vanna AI 生成 SQL 查询，并在数据库中执行以获取结果。
6. 结果可以是数据或图表，如果查询正确，结果会被添加回向量数据库，以提高模型的准确性。
7. Vanna AI 系统需要两个组件：向量存储和用于生成 SQL 查询的 LLM。
8. 使用示例展示了如何安装和使用 Vanna AI 库，连接模型和数据库，并生成查询。
