使用 Mistral 通过 Mistral API、Vanna 托管向量数据库（推荐）为 DuckDB 生成 SQL

使用 Colab 运行 在 GitHub 中打开

您想使用哪个 LLM？

通过 Vanna.AI 使用 OpenAI（推荐）

• 免费使用 Vanna.AI 生成您的查询

  使用您自己的 API 密钥使用 OpenAI
• Azure OpenAI

  如果您在 Azure 上部署了 OpenAI 模型
• 通过 La plateforme 使用 Mistral

  Anthropic
• 使用您的 Anthropic API 密钥使用 Anthropic 的 Claude

  免费在本地使用 Ollama。需要额外设置。
• Gemini

  Google Gemini
• 使用您的 Gemini 或 Vertex API 密钥使用 Google Gemini

  [已选择] 通过 Mistral API 使用 Mistral
• 如果您有 Mistral API 密钥

  其他 LLM
• 如果您有不同的 LLM 模型

  您想在哪里存储“训练”数据？

[已选择] Vanna 托管向量数据库（推荐）

• 免费使用 Vanna.AI 托管的向量数据库 (pgvector)。无需额外设置即可在不同机器上使用。

  ChromaDB
• 免费在本地使用 ChromaDB 的开源向量数据库。无需额外设置 -- 所有数据库文件将在本地创建和存储。

  使用 Qdrant 的开源向量数据库
• Marqo

  免费在本地使用 Marqo。需要额外设置。或者使用他们的托管选项。
• 其他向量数据库

  其他向量数据库
• 使用任何其他向量数据库。需要额外设置。

  您想查询哪个数据库？

训练

%pip install 'vanna[mistralai,duckdb]'

from vanna.vannadb import VannaDB_VectorStore
from vanna.mistral import Mistral

class MyVanna(VannaDB_VectorStore, Mistral):
    def __init__(self, config=None):
        MY_VANNA_MODEL = # Your model name from https://vanna.org.cn/account/profile
        VannaDB_VectorStore.__init__(self, vanna_model=MY_VANNA_MODEL, vanna_api_key=MY_VANNA_API_KEY, config=config)
        Mistral.__init__(self, config={'api_key': MISTRAL_API_KEY, 'model': 'mistral-tiny'})

vn = MyVanna()

Postgres

• Microsoft SQL Server
• [已选择] DuckDB
• Oracle
• 使用 Vanna 为任何 SQL 数据库生成查询
• BigQuery
• SQLite
• 其他数据库
• Snowflake
• LLM

  您只需训练一次。除非您想添加更多训练数据，否则无需再次训练。

vn.connect_to_duckdb(url='motherduck:')

启动用户界面

Vanna.AI

# The information schema query may need some tweaking depending on your database. This is a good starting point.
df_information_schema = vn.run_sql("SELECT * FROM INFORMATION_SCHEMA.COLUMNS")

# This will break up the information schema into bite-sized chunks that can be referenced by the LLM
plan = vn.get_training_plan_generic(df_information_schema)
plan

# If you like the plan, then uncomment this and run it to train
# vn.train(plan=plan)

# The following are methods for adding training data. Make sure you modify the examples to match your database.

# DDL statements are powerful because they specify table names, colume names, types, and potentially relationships
vn.train(ddl="""
    CREATE TABLE IF NOT EXISTS my-table (
        id INT PRIMARY KEY,
        name VARCHAR(100),
        age INT
    )
""")

# Sometimes you may want to add documentation about your business terminology or definitions.
vn.train(documentation="Our business defines OTIF score as the percentage of orders that are delivered on time and in full")

# You can also add SQL queries to your training data. This is useful if you have some queries already laying around. You can just copy and paste those from your editor to begin generating new SQL.
vn.train(sql="SELECT * FROM my-table WHERE name = 'John Doe'")

# At any time you can inspect what training data the package is able to reference
training_data = vn.get_training_data()
training_data

# You can remove training data if there's obsolete/incorrect information. 
vn.remove_training_data(id='1-ddl')

```## Asking the AI
Whenever you ask a new question, it will find the 10 most relevant pieces of training data and use it as part of the LLM prompt to generate the SQL.
```python
vn.ask(question=...)

此 notebook 详细介绍了如何使用 vanna Python 包通过 AI（RAG + LLM）生成 SQL，包括连接到数据库和训练。如果您还没准备好在自己的数据库上训练，您仍然可以使用示例 SQLite 数据库试用。

from vanna.flask import VannaFlaskApp
app = VannaFlaskApp(vn)
app.run()