data-copilot
✨ 基于 langchain 和大语言模型 (LLM) 的自然语言数据库查询系统 (RAG)
通过自然语言提问，使用大语言模型智能解析数据库结构，对数据进行智能多表结构化查询和统计计算，根据查询结果智能绘制多种图表。 Pywebio 交互式前端网页，不必须 openai api，支持 qwen glm 等多种模型，100%纯 Python 代码。
源代码可从本项目仓库下载：
📌github
📌gitee
🚩English Readme
个人网站：www.bytesc.top
🔔 如有项目相关问题，欢迎在本项目提出issue，我一般会在 24 小时内回复。
功能简介
1, 使用自然语言提问 2, 实现多表结构化查询和统计计算 3, 实现智能绘制多种类型的图表和交互式图表制作 4, 智能解析数据库结构，使用不同的 mysql 数据库无需额外配置 4, 支持多线程并发查询 5, 能够处理大语言模型表现不稳定等异常情况 6, 支持本地离线部署 (需 GPU)huggingface 格式模型 (例如qwen-7b)
7, 支持 openai 格式和 dashscope qwen 的 api 接口
基本技术原理
单次生成的基本流程。
并发生成控制。
展示
提问界面
根据查到的数据，智能选择图表类型绘图，支持多表结构化查询。在这个例子中，智能连接了员工表和工资表，进行结构化查询。智能选择了柱状图绘图。
如果对智能绘图结果不满意，高级模式，根据智能查询到的数据，手动交互式绘图
支持智能智能统计计算。在这个例子中，智能统计了在各国销量的百分比，智能选择了饼图绘图。
高级模式，交互式绘图
同样支持平均值，求和，最大值，最小值等统计计算
如何使用
安装依赖
python 版本 3.9
pip install -r requirement.txt
填写配置信息
./config/config.yaml 是配置信息文件。
数据库配置
连接即可，模型会自动读取数据库结构，无需额外配置
mysql: mysql+pymysql://root:123456@127.0.0.1/data_copilot
# mysql: mysql+pymysql://用户名:密码@地址:端口/数据库名
大语言模型配置
如果使用 dashscope qwen api （推荐）
llm:
model: qwen1.5-110b-chat # 模型名称
url: "" # 使用 dashscope `qwen` api 时此项无需填写
# qwen1.5-72b-chat qwen1.5-110b-chat
# qwen-turbo qwen-plus qwen-max qwen-long
同时在 llm_access/LLM.py 中
# llm = llm_access.openai_access.llm
llm = llm_access.qwen_access.llm
如果使用 openai api （此处填写的是 glm 的 openai 兼容 api）
llm:
model: glm-4 # 模型名称
url: "https://open.bigmodel.cn/api/paas/v4/" # endpoint_url 请求地址
# qwen1.5-72b-chat qwen1.5-110b-chat
# qwen-turbo qwen-plus qwen-max qwen-long
同时在 llm_access/LLM.py 中
llm = llm_access.openai_access.llm
# llm = llm_access.qwen_access.llm
如果需要本地离线部署，相关代码在 ./llm_access/qwen_access.py
获取 apikey
如果从阿里云 dashscope 获取 qwen 大语言模型的 api-key
保存 api-key 到 llm_access/api_key_qwen.txt
如果使用 openai 格式 api 的 api-key
保存 api-key 到 llm_access/api_key_openai.txt
运行
main.py 是项目入口，运行此文件即可启动服务器
python main.py
默认情况下，浏览器输入 http://192.168.71.51:8087/ 即可
未来可能的方向
本项目的难点在于：实现由用户自然语言的模糊提问和大语言模型输出的自然语言回答，到传统非人工智能计算机代码可以处理的确定数据的映射。
本项目目前阶段和其它一些开源实现(例如langchain agent)使用的方法。
都是反复提问以得到大语言模型，以得到尽可能符合预定格式的自然语言回答，然后使用正则表达式匹配数据。
大语言模型虽然有很高的灵活度，可以实现多种复杂的智能数据库查询、统计、绘图功能。
但是其有输入输出规模的致命瓶颈，无法直接处理超长文本或大规模数据集。
因此，在面对大规模数据（例如上百张表）的结构信息时，可能表现不佳。
大语言模型虽然可以一定程度上通过 prompt 控制相对确定的输出格式。
但是其本质仍然是自然语言输出，依然具有大语言模型不稳定的输出特征以及涌现问题。
无法保证返回可以接受的结果，无法保证结果的合理性，准确性。
所以在这一方面的创新，可能是本项目未来可能的发展方向。
向量数据库和词嵌入模型
引入词嵌入模型(例如 text2vec-base-multilingual)和 向量数据库 (例如 PGVector) 可以更好地处理大规模数据。
通过将大规模数据分条转换为向量，将词汇映射到低维向量空间中，从而捕捉词汇之间的语义关系。
并将其存储在向量数据库中，我们可以快速地进行相似性查询、聚类等操作，从而实现对大规模数据的有效处理。
同时，向量数据库中只能匹配到语义上最接近的确定的预存结果，不会出现大语言模型的不稳定情况和涌现问题。
向量数据库和词嵌入模型的加入，可以帮助克服大语言模型表现的不稳定性，以及在处理大规模数据时的限制。
把向量数据库的稳定可靠，和大语言模型的智能灵活结合起来，从而实现对大规模数据的有效而稳定的处理和分析。
相关技术储备代码在 ./pgv/ 文件夹下
相关链接
词嵌入模型:
text2vec-large-chinese huggingface hf-mirror
text2vec-base-multilingual huggingface hf-mirror
向量数据库:
PGVector DockerHub dockerproxy
未完待续…
开源许可证
此翻译版本仅供参考，以 LICENSE 文件中的英文版本为准
MIT 开源许可证：
版权所有 © 2023 bytesc
特此授权，免费向任何获得本软件及相关文档文件（以下简称“软件”）副本的人提供使用、复制、修改、合并、出版、发行、再许可和/或销售软件的权利，但须遵守以下条件：
上述版权声明和本许可声明应包含在所有副本或实质性部分中。
本软件按“原样”提供，不作任何明示或暗示的保证，包括但不限于适销性、特定用途适用性和非侵权性。在任何情况下，作者或版权持有人均不对因使用本软件而产生的任何索赔、损害或其他责任负责，无论是在合同、侵权或其他方面。