整合 LlamaIndex 與 Databricks Unity 目錄工具

使用 Databricks Unity 目錄，將 SQL 和 Python 函式整合為 LlamaIndex 工作流程中的工具。 此整合將 Unity Catalog 的數據管理功能與 LlamaIndex 的能力結合，目的是為大型語言模型（LLM）編製索引並查詢大型數據集。

需求

• 安裝 Python 3.10 或更新版本。

整合 Unity 目錄工具與 LlamaIndex

在筆記本或 Python 腳本中執行下列程式代碼，以建立 Unity 目錄工具，並在 LlamaIndex 代理程式中使用它。

1. 安裝適用於 LlamaIndex 的 Databricks Unity 目錄整合套件。

   %pip install unitycatalog-llamaindex[databricks]
   dbutils.library.restartPython()
   

2. 建立 Unity 目錄函式用戶端的實例。

   from unitycatalog.ai.core.base import get_uc_function_client
   
   client = get_uc_function_client()
   

3. 建立以 Python 撰寫的 Unity 目錄函式。

   CATALOG = "your_catalog"
   SCHEMA = "your_schema"
   
   func_name = f"{CATALOG}.{SCHEMA}.code_function"
   
   def code_function(code: str) -> str:
     """
     Runs Python code.
   
     Args:
       code (str): The Python code to run.
     Returns:
       str: The result of running the Python code.
     """
     import sys
     from io import StringIO
     stdout = StringIO()
     sys.stdout = stdout
     exec(code)
     return stdout.getvalue()
   
   client.create_python_function(
     func=code_function,
     catalog=CATALOG,
     schema=SCHEMA,
     replace=True
   )
   

4. 建立Unity Catalog 函式的實例做為工具組，並執行它以確認工具是否正常運作。

   from unitycatalog.ai.llama_index.toolkit import UCFunctionToolkit
   import mlflow
   
   # Enable traces
   mlflow.llama_index.autolog()
   
   # Create a UCFunctionToolkit that includes the UC function
   toolkit = UCFunctionToolkit(function_names=[func_name])
   
   # Fetch the tools stored in the toolkit
   tools = toolkit.tools
   python_exec_tool = tools[0]
   
   # Run the tool directly
   result = python_exec_tool.call(code="print(1 + 1)")
   print(result)  # Outputs: {"format": "SCALAR", "value": "2\n"}
   

5. 藉由將 Unity 目錄函式定義為 LlamaIndex 工具集合的一部分，以使用 LlamaIndex ReActAgent 中的工具。 然後呼叫 LlamaIndex 工具集合，確認代理程式的行為正確。

   from llama_index.llms.openai import OpenAI
   from llama_index.core.agent import ReActAgent
   
   llm = OpenAI()
   
   agent = ReActAgent.from_tools(tools, llm=llm, verbose=True)
   
   agent.chat("Please run the following python code: `print(1 + 1)`")