Vanna大火？数据库对话机器人让数据分析变得更简单、RAG+AI 生成 SQL、轻松实现数据库对话并不只看表面做法，关键还要理解相关条件、限制和后续影响。

▲ Vanna 的工作原理

Vanna AI 正在不断开发中，并且越来越受欢迎。它的工作原理是一个两步过程：首先，我们需要训练一个模型，这个模型包含我们所知道的关于数据库的所有信息，例如 DDL 语句、文档以及示例 SQL 语句。这些信息会被嵌入并存储在向量数据库中，这是一个一次性的过程。

▲ Vanna 的工作分为两个简单的步骤 - 在您的数据上训练 RAG“模型”，然后提出问题，这些问题将返回可设置为在您的数据库上自动运行的 SQL 查询。

一旦模型训练完成，我们就可以提出问题，系统会为问题创建嵌入，然后进行向量相似搜索，以找到相似的嵌入。这些相似的嵌入用于生成 SQL 查询，并在数据库中执行以获得结果。我们可以通过这种方式得到想要的数据或图表。

这里有一个详细的图示，说明了在训练模型后如何工作。我们收集了所有相关的 DDL 文档和 SQL 查询，并将它们存储在向量存储中。提出问题后，会生成与问题相关的嵌入，并与向量存储中的嵌入进行比较，找出相似的嵌入。然后将问题和上下文信息传递给 LLM，生成 SQL 查询并执行，以获得结果。

如果得到的结果正确，这意味着生成的 SQL 查询是正确的。我们可以将这个查询和生成的 SQL 添加回向量存储中，从而使模型随着时间的推移对数据库的了解越来越多，并且提供更准确的结果。

从总体上看，Vanna AI 系统需要两个组件：用于存储数据库信息的向量存储和用于生成 SQL 查询的 LLM。我们可以通过简单的 PIP 安装来安装 Vanna AI 库，连接模型和数据库，并生成查询。

我们今天使用 Vanna 提供的内置演示模型进行演示。首先，我们连接到一个模型和数据库，看看数据库的架构。这个示例数据库是一个音乐商店，包含员工、客户、发票和艺术家等相关信息，共有 11 个表。使用 SQL Alchemy 直接连接数据库，并提取表名。

在使用 Vanna AI 时，我们只需导入库，连接模型和数据库，然后就可以开始提问了。例如，我们询问销量最高的前五位艺术家，生成的 SQL 查询涉及多个表，最终得到了正确的结果和一个图表。

Vanna 还提供了一个本地主机界面，可以运行示例查询并生成相应的结果和图表。结果可以下载为 CSV 文件。

总结一下，一旦我们有了数据库，我们需要训练一个模型并连接数据库和模型，然后就可以开始提问了。下一个视频将展示如何连接我们自己的数据库并训练模型。谢谢大家。