LANGCHAIN MODULE 2 · BONUS SQL SQL

1 为什么 SQL 适合做 Agent 工具

很多业务数据已经存在关系型数据库里。与其把整张表塞进 prompt，不如给 Agent 一个受控的 SQL 查询工具，让它按需查询。

方式	优点	风险
把数据复制进 prompt	简单直接	上下文有限，数据容易过期
让 Agent 调 SQL 工具	按需查询真实数据	需要限制权限并处理错误 SQL

本课目标

让 Agent 从自然语言问题出发，生成 SQL 查询 Chinook.db，再用查询结果回答“哪个 S 开头艺术家最受欢迎”。

2 连接 Chinook SQLite 数据库

Notebook 使用 LangChain Community 的 SQLDatabase 工具类连接本地 SQLite 文件。

Python

from langchain_community.utilities import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///resources/Chinook.db")

Chinook

Chinook 是常见的示例音乐数据库，包含 Artist、Album、Track、InvoiceLine 等表，适合演示 SQL Agent。

3 封装 sql_query 工具

工具接收一段 SQL 字符串，执行 db.run(query)。如果 SQL 出错，工具返回错误信息，让模型有机会修正查询。

Python

@tool
def sql_query(query: str) -> str:
    """Obtain information from the database using SQL queries"""
    try:
        return db.run(query)
    except Exception as e:
        return f"Error: {e}"

sql_query.invoke("SELECT * FROM Artist LIMIT 10")

安全边界

课程工具没有做权限限制。生产环境中应限制只读查询、限制表范围、加超时和行数上限，避免模型生成危险 SQL。

4 创建 SQL Agent

把 sql_query 作为唯一工具交给 Agent。模型会根据问题决定写什么 SQL，并把 SQL 作为工具参数。

Python

agent = create_agent(
    model=deepseek_model(),
    tools=[sql_query],
)

question = HumanMessage(
    content="Who is the most popular artist beginning with 'S' in this database?"
)

response = agent.invoke({"messages": [question]})

模型做什么

模型不是直接知道数据库答案，而是先推断需要查询哪些表和字段，再调用 sql_query 获得结果。

5 查看模型生成的 SQL

Notebook 特意打印倒数第三条消息里的 tool call 参数，用来查看模型实际发送给数据库的 SQL。

Python

print(response["messages"][-3].tool_calls[0]["args"]["query"])
print(response["messages"][-1].content)

为什么要看 SQL

SQL Agent 的调试重点是查询是否正确。最终答案看起来合理，不代表 SQL 一定查对了表、join 或排序。

6 SQL Agent 的改进方向

先让工具暴露 schema 摘要，帮助模型理解有哪些表和字段。
把查询工具限制为只读 SELECT。
在工具层增加 LIMIT、超时和错误分类。
对关键业务查询，加入人工校验或固定查询模板。

总结

SQL 工具让 Agent 能访问结构化业务数据；但 SQL 的正确性和安全性必须在工具边界处理，不能只依赖模型自觉。