LangChain实战：利用LangChain SQL Agent和GPT进行文档分析和交互

2024-09-06 10:44:50 浏览数 (3)
最近接触到一个非常有趣的挑战，涉及到人工智能数字化大量文件的能力，并使用户可以在这些文件上提出复杂的与数据相关的问题，比如：
  • 数据检索问题：涉及从数据库中获取特定数据点或数据集，例如“电子产品类别中有多少产品？” 或 “2021年第四季度总销售额是多少？”
  • 汇总查询：需要对数据进行总结的问题，如计算平均值、求和、计数等，例如“所有已上架产品的平均价格是多少？”或“每个地区客户的总人数是多少？”
  • 数据关系探索：探究不同数据实体之间关系的问题，比如"哪些客户购买了三种以上不同的产品？" 或 "列出上个月没有交付任何产品的所有供应商。"
  • 条件查询：涉及条件或筛选器，比如“列出2022年发生在超过500美元交易额以上的所有交易” 或 “展示所有缺货商品。”

这些不是你可以仅通过使用RAG来解决的典型问题。相反，我们将利用LangChain的SQLAgent从人类文本中生成复杂的数据库查询。

文档应包含具有大量规格说明的数据，以及更多流畅、自然语言描述等。

我们将执行以下步骤，最终能够提出关于大量文档的复杂问题：

  • 阅读所有PDF文档。
  • 使用GPT分析每个文档的内容，将其解析为JSON对象。
  • 将这些对象写入SQLite获取其他数据库中，分布在多个表中。
  • 使用LangChain SQL代理程序通过自动生成SQL语句来提出问题。

备注：本文涵盖了涉及人工智能和数据处理的概念。为了获得最大价值，您应具备对Python编程能力、GPT模型接入能力、嵌入式技术了解、向量搜索和SQL数据库的基础理解以及使用能力。

使用 Python、LangChain 和 GPT 分析文档

我们将使用Python和LangChain来读取和分析PDF文档。我使用的 Python 为 Python 3.11。

首先，我们安装环境所需要的依赖包：

代码语言：javascript复制
%pip install pypdf
 %pip install langchain
 %pip install langchain_openai
 %pip install sqlite3
代码语言：javascript复制
# 导入 pdf 阅读器
 from pypdf import PdfReader
 # 导入langchain 的消息类型
 from langchain_core.messages import HumanMessage, SystemMessage
 # 导入 openAI
 from langchain_openai import ChatOpenAI

现在，让我们来深入研究 PDF 解析。我们的目标是使用 visitor_text 提取有意义的内容，同时忽略不太有用的信息，例如空行、页眉和页脚。

代码语言：javascript复制
document_content = None
 
 def visitor_body(text, cm, tm, fontDict, fontSize):
     y = tm[5]
     if text and 35 < y < 770:
         page_contents.append(text)
 
 with open(f'./documents/ZMP_55852_XBO_1000_W_HS_OFR.pdf', 'rb') as file:
     pdf_reader = PdfReader(file)
     page_contents = []
     for page in pdf_reader.pages:
        # 提取PDF每页文本的内容
         page.extract_text(visitor_text=visitor_body)
     document_content = "n".join(page_contents)
 
 print(document_content)

让我们查看解析后的文档：

代码语言：javascript复制
Product family benefits
 _
 Short arc with very high luminance for brighter screen illumination
 _
 Constant color temperature of 6,000 K throughout the entire lamp lifetime
 _
 Easy to maintain
 _
 High arc stability
 _
 Instant light on screen thanks to hot restart function
 _
 Wide dimming range
 Product family features
 _
 Color temperature: approx. 6,000 K (Daylight)
 _
 Wattage: 450…10,000 W
 _
 Very good color rendering index: Ra >
 Product datasheet
 
 
  
 XBO 1000 W/HS OFR
 XBO for cinema projection | Xenon short-arc lamps 450…10,000 W
 
 [..] 
 
 Packaging unit
 
 (Pieces/Unit)
 Dimensions (length
 
 x width x height)
 Volume
 Gross weight
 4008321082114
 XBO 1000 W/HS OFR
 Shipping carton box
 
 1
 410 mm x 184 mm x
 
 180 mm
 13.58 dm³
 819.00 g
 
 [..]

在解析的内容中，显而易见地发现它缺乏结构 — 表格不连贯，相关实体分散。

我们使用 GPT 重新帮我们整理文档的内容：

  • 我们将指示GPT将解析的数据格式化为一个结构化JSON对象。
  • 通过提供一份解析数据的示例，以及在前面加上<<<的提示，我们可以引导GPT理解并整理文档。
  • 利用OpenAI Chat API，我们将请求GPT从一组新的解析产品数据中生成一个JSON对象。

让我们构建一条深思熟虑的系统消息来启动这个过程。我们将以清晰的指令为GPT开头，接着呈现解析后的数据作为背景，并夹杂目标性提示来完善输出：

认真观察我们如何整合各种提示来塑造我们所需的精确JSON输出。

代码语言：javascript复制
你会分析产品描述，将其导出为 JSON 格式。我会向您展示一个产品数据表，并用 <<< 描述各个 JSON 对象和属性。然后您可以从另一个产品数据表中创建一个 JSON 对象。
 
 >>> Example product:
 
 Product family benefits <<< benefits (string[])
 _
 Short arc with very high luminance for brighter screen illumination <<< benefits.[*]
 _
 Constant color temperature of 6,000 K throughout the entire lamp lifetime <<< benefits.[*]
 
 [..]
 
 _
 Wide dimming range <<< benefits.[*]
 Product family features <<< product_family (object)
 _
 Color temperature: approx. 6,000 K (Daylight) <<< product_family.temperature = 6000
 _
 Wattage: 450…10,000 W <<< product_family.watts_min = 450, product_family.watts_max = 10000
 _
 Very good color rendering index: Ra >
 Product datasheet
 
 
  
 XBO 1000 W/HS OFR <<< name
 XBO for cinema projection | Xenon short-arc lamps 450…10,000 W <<< description
 
 [..]
 
 Technical data
 Electrical data <<< technical_data (object)
 Nominal current
 50 A <<< technical_data.nominal_current = 50.00
 Current control range
 30…55 A <<< technical_data.control_range = 30, technical_data.control_range = 55
 Nominal wattage
 1000.00 W <<< technical_data.nominal_wattage = 1000.00
 Nominal voltage
 19.0 V <<< technical_data.nominal_voltage = 19.0
 Dimensions & weight <<< dimensions (object)
 
 [..]
 
 Safe Use Instruction
 The identification of the Candidate List substance is <<< environmental_information.safe_use (beginning of string)
 
 sufficient to allow safe use of the article. <<< environmental_information.safe_use (end of string)
 Declaration No. in SCIP database
 22b5c075-11fc-41b0-ad60-dec034d8f30c <<< environmental_information.scip_declaration_number (single string!)
 Country specific information
 
 [..]
 
 Shipping carton box
 
 1
 410 mm x 184 mm x <<< packaging_unity.length = 410, packaging_unit.width = 184
 
 180 mm <<< packaging_unit.height = 180
 
 [..]
 """

我的 prompt 是不同方法的集合：

  • <<< benefits（字符串[]）— 这里开始了一个字符串列表。
  • <<< benefits.[*] — 这行属于字符串列表。
  • <<< product_family（对象）— 这里开始了一个对象。
  • <<< product_family.temperature = 6000 — 这行是对象的整数属性
  • <<< product_family.watts_min = 450，product_family.watts_max = 1000 — 这一行是两个整数属性（例如，当有类似功率：450…10,000 W 的语句时）

在这里你可以完全发挥创意，尝试任何对你有意义的东西。而且需要多次调试 prompt 的内容以适应你的应用场景。

注意： 这里 prompt 最好还是英文的好， 最好不要中文和英文夹着来。

请将以下文本翻译成中文：

要翻译的文字：

  • 将其翻译成另一种语言。
  • 提供摘要或提供项目符号下的整个句子。
  • 将数据拆分为名字和姓名。

测试 prompt

现在我们是时候测试一下 GPT 了，看看它是否能够完美地将我们混乱的 PDF 文本转换成一个整洁的 JSON 对象。

GPT-3.5-Turbo的0125版本在以JSON等请求格式响应时具有更高的准确性，这非常适合我们的情况！ 我们已经准备好了system_message，并将其与document_content配对作为输入：

代码语言：javascript复制
# 初始化 OpenAI Model
 chat = ChatOpenAI(model_name='gpt-3.5-turbo-0125', temperature=0)
 
 def convert_to_json(document_content):
     messages = [
         # 这里是系统的角色设定
         SystemMessage(
             content=system_message
         ),
         # 这里是我们的输入内容
         HumanMessage(
             content=document_content
         )
     ]
     # 构建 langchain 的链式
     answer = chat.invoke(messages)
     return answer.content
 
 json = convert_to_json(document_content)
 # json 就是 OpenAI Model 返回的内容：
 print(json)

一切就绪，我们看一下我们得到的JSON输出了：

代码语言：javascript复制
{
     "name": "XBO 1000 W/HS OFR",
     "description": "XBO for cinema projection | Xenon short-arc lamps 450…10,000 W",
     "applications": [
         "Classic 35 mm film projection",
         "Digital film and video projection",
         "Architectural and effect light (“Light Finger”)",
         "Sunlight simulation"
     ],
     "technical_data": {
         "nominal_current": 50.00,
         "control_range_min": 30,
         "control_range_max": 55,
         "nominal_wattage": 1000.00,
         "nominal_voltage": 19.0
     },
     "dimensions": {
         "diameter": 40.0,
         "length": 235.0,
         "length_base": 205.00,
         "light_center_length": 95.0,
         "electrode_gap": 3.6,
         "weight": 255.00
     },
     "operating_conditions": {
         "max_temp": 230,
         "lifespan": 2000,
         "service_lifetime": 3000
     },
     "additional_data": {
         "base_anode": "SFa27-11",
         "base_cathode": "SFcX27-8",
         "product_remark": "OFR = Ozone-free version/H = Suitable for horizontal burning position/S = Short"
     },
     "capabilities": {
         "cooling": "Forced",
         "burning_position": "s20/p20"
     },
     "environmental_information": {
         "declaration_date": "10-03-2023",
         "primary_product_number": "4008321082114 | 4050300933566",
         "candidate_list_substance": "Lead",
         "cas_number": "7439-92-1",
         "safe_use": "The identification of the Candidate List substance is sufficient to allow safe use of the article.",
         "scip_declaration_number": "22b5c075-11fc-41b0-ad60-dec034d8f30c"
     },
     "logistical_data": {
         "product_code": "4008321082114",
         "product_name": "XBO 1000 W/HS OFR",
         "packaging_unit": {
             "product_code": "4008321082114",
             "product_name": "XBO 1000 W/HS OFR",
             "length": 410,
             "width": 184,
             "height": 180,
             "volume": 13.58,
             "weight": 819.00
         }
     }
 }

从结果看还是相当不错的。它找到的对象和属性是准确无误。

然而，有一个明显BUG：GPT忽略了一些关键元素，比如利益和产品系列

那么，我们的如何做呢？转向使用 GPT-4 看看效果，它提供增强功能但成本更高且响应时间较慢，还是调整策略以包括函数调用来优化资源同时保持效率？

通过提供一个 JSON Schema 来改善 prompt

在使用 GPT 时，function call 是我最喜欢的功能。它允许我们指定不仅 GPT 可执行的函数本身，还可以指定我们自己的函数所需的 JSON 参数。

下面是一个 function call 的示例：

代码语言：javascript复制
"function": {
     "name": "get_current_weather",
     "description": "Get the current weather in a given location",
     "parameters": {
         "type": "object",
         "properties": {
             "location": {
                 "type": "string",
                 "description": "The city and state, e.g. beijing",
             },
             "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]},
         },
         "required": ["location"],
     },
 }

最新的模型gpt-3.5-turbo-0125和gpt-4-turbo-preview经过训练，能够检测何时启动功能调用，并生成与指定函数签名相符的JSON输出.

为了充分利用这一点，我们优化我们的提示，以包含我们期望返回的 JSON 模式。

代码语言：javascript复制
You analyze product descriptions to export them into a JSON format. I will present you with a product data sheet and describe the individual JSON objects and properties with <<<. You then create a JSON object from another product data sheet.
 
 >>> Example product:
 
 Product family benefits <<< benefits (string[])
 
 [..]
 
 -----
 
 Provide your JSON in the following schema:
 
 {
   "type": "object",
   "properties": {
     "name": {
       "type": "string"
     },
     "description": {
       "type": "string"
     },
     "applications": {
       "type": "array",
       "items": {
         "type": "string"
       }
     },
     "benefits": {
       "type": "array",
       "items": {
         "type": "string"
       }
     },
     "product_family": {
       "type": "object",
       "properties": {
         "temperature": {
           "type": "number"
         },
         "watts_min": {
           "type": "number"
         },
         "watts_max": {
           "type": "number"
         }
       }
     },
     "technical_data": {
       "type": "object",
       "properties": {
         "nominal_current": {
           "type": "number"
         },
         "control_range_min": {
           "type": "number"
         },
         "control_range_max": {
           "type": "number"
         },
         "nominal_wattage": {
           "type": "number"
         },
         "nominal_voltage": {
           "type": "number"
         }
       }
     },
     "dimensions": {
       "type": "object",
       "properties": {
         "diameter": {
           "type": "number"
         },
         "length": {
           "type": "number"
         },
         "length_base": {
           "type": "number"
         },
         "light_center_length": {
           "type": "number"
         },
         "electrode_gap": {
           "type": "number"
         },
         "weight": {
           "type": "number"
         }
       }
     },
     "operating_conditions": {
       "type": "object",
       "properties": {
         "max_temp": {
           "type": "string"
         },
         "lifespan": {
           "type": "number"
         },
         "service_lifetime": {
           "type": "number"
         }
       }
     },
     "logistical_data": {
       "type": "object",
       "properties": {
         "product_code": {
           "type": "string"
         },
         "product_name": {
           "type": "string"
         },
         "packaging_unit": {
           "type": "object",
           "properties": {
             "product_code": {
               "type": "string"
             },
             "product_name": {
               "type": "string"
             },
             "length": {
               "type": "number"
             },
             "width": {
               "type": "number"
             },
             "height": {
               "type": "number"
             },
             "volume": {
               "type": "number"
             },
             "weight": {
               "type": "number"
             }
           }
         }
       }
     }
   }
 }

调整我们的方法后，让我们来看一下新的输出：

代码语言：javascript复制
{
   "name": "XBO 1000 W/HS OFR",
   "description": "XBO for cinema projection | Xenon short-arc lamps 450…10,000 W",
   "applications": [
     "Classic 35 mm film projection",
     "Digital film and video projection",
     "Architectural and effect light (“Light Finger”)",
     "Sunlight simulation"
   ],
   "benefits": [
     "Short arc with very high luminance for brighter screen illumination",
     "Constant color temperature of 6,000 K throughout the entire lamp lifetime",
     "Easy to maintain",
     "High arc stability",
     "Instant light on screen thanks to hot restart function",
     "Wide dimming range"
   ],
   "product_family": {
     "temperature": 6000,
     "watts_min": 450,
     "watts_max": 10000
   },
   "technical_data": {
     "nominal_current": 50,
     "control_range_min": 30,
     "control_range_max": 55,
     "nominal_wattage": 1000.00,
     "nominal_voltage": 19.0
   },
   "dimensions": {
     "diameter": 40.0,
     "length": 235.0,
     "length_base": 205.00,
     "light_center_length": 95.0,
     "electrode_gap": 3.6,
     "weight": 255.00
   },
   "operating_conditions": {
     "max_temp": "230 °C",
     "lifespan": 2000,
     "service_lifetime": 3000
   },
   "logistical_data": {
     "product_code": "4008321082114",
     "product_name": "XBO 1000 W/HS OFR",
     "packaging_unit": {
       "product_code": "4008321082114",
       "product_name": "XBO 1000 W/HS OFR",
       "length": 410,
       "width": 184,
       "height": 180,
       "volume": 13.58,
       "weight": 819.00
     }
   }
 }

这个结果很美丽哦

sql agent gpt 产品 数据

0 人点赞