Vanna基于开源Python框架，可以使用多种方式（DDL Statements/文档/SQL 语句）训练你的数据库，然后就可以直接使用自然语言方式问问题，输出非常准确的 SQL 语句。使用检索增强生成（RAG）技术进行SQL生成和相关功能。其主要特点是通过与SQL数据库的交互，准确地通过大型语言模型（LLM）生成SQL查询。

• Vanna 能够将用户用平时说话的方式提出的问题自动转换成SQL语句，以便查询数据库。
• Vanna 可以连接到多种类型使用SQL的数据库。
• 用户可以使用自己的数据和需求对Vanna进行训练，从而使其在将问题转换为SQL语句时更加准确。
• Vanna 提供了多种界面选择，如Jupyter Notebook、Web应用、Slack机器人等，以满足不同需求的用户，并支持自定义前端开发。
• 在处理查询时，Vanna 保证数据库内容不会被发送到LLM或向量数据库，SQL执行在用户的本地环境中进行，以确保数据的安全和隐私保护。
• Vanna 能够根据用户的历史查询和反馈进行自我学习和优化，以提高未来查询的准确性。
• Vanna 适用于非技术用户，提供了一种简单直观的方式与数据库进行交互，即使对SQL不熟悉的用户也能轻松使用。

GitHub：https://github.com/vanna-ai/vanna

快速入门

安装

pip install vanna

引入依赖包

import vanna as vn

使用 DDL 语句进行训练

DDL 语句包含有关数据库中表名、列、数据类型和关系的信息。

vn.train(ddl="""
    CREATE TABLE IF NOT EXISTS my-table (
        id INT PRIMARY KEY,
        name VARCHAR(100),
        age INT
    )
""")

使用文档进行培训

添加有关业务术语或定义的文档。

vn.train(documentation="Our business defines XYZ as ...")

使用 SQL 进行训练

可以将 SQL 查询添加到训练数据中。

vn.train(sql="SELECT name, age FROM my-table WHERE name = 'John Doe'")

提问

vn.ask("What are the top 10 customers by sales?")

得到如下 SQL

SELECT c.c_name as customer_name,
        sum(l.l_extendedprice * (1 - l.l_discount)) as total_sales
FROM   snowflake_sample_data.tpch_sf1.lineitem l join snowflake_sample_data.tpch_sf1.orders o
        ON l.l_orderkey = o.o_orderkey join snowflake_sample_data.tpch_sf1.customer c
        ON o.o_custkey = c.c_custkey
GROUP BY customer_name
ORDER BY total_sales desc limit 10;