共用方式為

整合 LangChain 與 Databricks Unity 目錄工具

使用 Databricks Unity 目錄，將 SQL 和 Python 函式整合為 LangChain 和 LangGraph 工作流程中的工具。 此整合結合了 Unity 目錄的治理與 LangChain 功能，以建置功能強大的 LLM 型應用程式。

需求

  • 安裝 Python 3.10 和更新版本。

整合 LangChain 與 Databricks Unity Catalog

在此範例中，您會建立 Unity 目錄工具、測試其功能，並將其新增至代理程式。 在 Databricks 筆記本中執行下列程式代碼。

安裝依賴項

使用 Databricks 選擇性安裝 Unity 目錄 AI 套件，並安裝 LangChain 整合套件。

此範例使用 LangChain，但類似的方法也可以套用至其他函式庫。 請參閱 整合 Unity 目錄工具與第三方產生 AI 架構。

# Install the Unity Catalog AI integration package with the Databricks extra
%pip install unitycatalog-langchain[databricks]

# Install Databricks Langchain integration package
%pip install databricks-langchain
dbutils.library.restartPython()

初始化 Databricks 函式用戶端

初始化 Databricks 函式用戶端。

from unitycatalog.ai.core.base import get_uc_function_client

client = get_uc_function_client()

定義工具的邏輯

建立包含工具邏輯的 Unity 目錄函式。


CATALOG = "my_catalog"
SCHEMA = "my_schema"

def add_numbers(number_1: float, number_2: float) -> float:
  """
  A function that accepts two floating point numbers adds them,
  and returns the resulting sum as a float.

  Args:
    number_1 (float): The first of the two numbers to add.
    number_2 (float): The second of the two numbers to add.

  Returns:
    float: The sum of the two input numbers.
  """
  return number_1 + number_2

function_info = client.create_python_function(
  func=add_numbers,
  catalog=CATALOG,
  schema=SCHEMA,
  replace=True
)

測試函式

測試您的函式，以確保它如預期地運行：

result = client.execute_function(
  function_name=f"{CATALOG}.{SCHEMA}.add_numbers",
  parameters={"number_1": 36939.0, "number_2": 8922.4}
)

result.value # OUTPUT: '45861.4'

使用 UCFunctionToolKit 來包裝函式

使用 UCFunctionToolkit 封裝函式，以便代理程式開發庫存取。 此工具組可確保不同庫的一致性，並新增實用的功能，例如檢索器的自動追踪。

from databricks_langchain import UCFunctionToolkit

# Create a toolkit with the Unity Catalog function
func_name = f"{CATALOG}.{SCHEMA}.add_numbers"
toolkit = UCFunctionToolkit(function_names=[func_name])

tools = toolkit.tools

在代理程式中使用工具

使用 tools 中的 UCFunctionToolkit 屬性將工具新增至 LangChain 代理程式。

本範例使用 LangChain 的 AgentExecutor API 撰寫簡單的代理程式，以求簡單。 針對生產工作負載，請使用範例中所ResponsesAgent見的代理程式撰寫工作流程。

from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain.prompts import ChatPromptTemplate
from databricks_langchain import (
  ChatDatabricks,
  UCFunctionToolkit,
)
import mlflow

# Initialize the LLM (replace with your LLM of choice, if desired)
LLM_ENDPOINT_NAME = "databricks-meta-llama-3-3-70b-instruct"
llm = ChatDatabricks(endpoint=LLM_ENDPOINT_NAME, temperature=0.1)

# Define the prompt
prompt = ChatPromptTemplate.from_messages(
  [
    (
      "system",
      "You are a helpful assistant. Make sure to use tools for additional functionality.",
    ),
    ("placeholder", "{chat_history}"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
  ]
)

# Enable automatic tracing
mlflow.langchain.autolog()

# Define the agent, specifying the tools from the toolkit above
agent = create_tool_calling_agent(llm, tools, prompt)

# Create the agent executor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "What is 36939.0 + 8922.4?"})
  • Last updated on