---
title: Kinetica Language To SQL Chat Model
---

이 노트북은 Kinetica를 사용하여 자연어를 SQL로 변환하고 데이터 검색 프로세스를 단순화하는 방법을 보여줍니다. 이 데모는 LLM의 기능보다는 chain을 생성하고 사용하는 메커니즘을 보여주기 위한 것입니다.

## 개요

Kinetica LLM workflow를 사용하면 데이터베이스에 LLM context를 생성하여 테이블, 주석, 규칙 및 샘플을 포함한 추론에 필요한 정보를 제공합니다. `ChatKinetica.load_messages_from_context()`를 호출하면 데이터베이스에서 context 정보를 검색하여 chat prompt를 생성하는 데 사용할 수 있습니다.

chat prompt는 [`SystemMessage`](https://reference.langchain.com/python/langchain/messages/#langchain.messages.SystemMessage)와 샘플(질문/SQL 쌍)을 포함하는 `HumanMessage`/`AIMessage` 쌍으로 구성됩니다. 이 목록에 샘플 쌍을 추가할 수 있지만 일반적인 자연어 대화를 촉진하기 위한 것은 아닙니다.

chat prompt에서 chain을 생성하고 실행하면 Kinetica LLM이 입력에서 SQL을 생성합니다. 선택적으로 `KineticaSqlOutputParser`를 사용하여 SQL을 실행하고 결과를 dataframe으로 반환할 수 있습니다.

현재 SQL 생성을 위해 2개의 LLM이 지원됩니다:

1. **Kinetica SQL-GPT**: 이 LLM은 OpenAI ChatGPT API를 기반으로 합니다.
2. **Kinetica SqlAssist**: 이 LLM은 Kinetica 데이터베이스와 통합되도록 특별히 제작되었으며 안전한 고객 환경에서 실행될 수 있습니다.

이 데모에서는 **SqlAssist**를 사용합니다. 자세한 내용은 [Kinetica Documentation site](https://docs.kinetica.com/7.1/sql-gpt/concepts/)를 참조하세요.

## 사전 요구 사항

시작하려면 Kinetica DB 인스턴스가 필요합니다. 없는 경우 [무료 개발 인스턴스](https://cloud.kinetica.com/trynow)를 얻을 수 있습니다.

다음 패키지를 설치해야 합니다...

```python
# Install LangChain community and core packages
pip install -qU langchain-core langchain-community

# Install Kinetica DB connection package
pip install -qU 'gpudb>=7.2.0.8' typeguard pandas tqdm

# Install packages needed for this tutorial
pip install -qU faker ipykernel

​
Database 연결

다음 환경 변수에서 데이터베이스 연결을 설정해야 합니다. 가상 환경을 사용하는 경우 프로젝트의 .env 파일에서 설정할 수 있습니다:
  • KINETICA_URL: Database 연결 URL
  • KINETICA_USER: Database 사용자
  • KINETICA_PASSWD: 보안 비밀번호.
KineticaChatLLM 인스턴스를 생성할 수 있다면 성공적으로 연결된 것입니다. 
from langchain_community.chat_models.kinetica import ChatKinetica

kinetica_llm = ChatKinetica()

# Test table we will create
table_name = "demo.user_profiles"

# LLM Context we will create
kinetica_ctx = "demo.test_llm_ctx"

​
테스트 데이터 생성

SQL을 생성하기 전에 Kinetica 테이블과 테이블을 추론할 수 있는 LLM context를 생성해야 합니다.

​
가짜 사용자 프로필 생성

faker 패키지를 사용하여 100개의 가짜 프로필이 있는 dataframe을 생성합니다. 
from typing import Generator

import pandas as pd
from faker import Faker

Faker.seed(5467)
faker = Faker(locale="en-US")


def profile_gen(count: int) -> Generator:
    for id in range(0, count):
        rec = dict(id=id, **faker.simple_profile())
        rec["birthdate"] = pd.Timestamp(rec["birthdate"])
        yield rec


load_df = pd.DataFrame.from_records(data=profile_gen(100), index="id")
print(load_df.head())

         username             name sex  \
id
0       eduardo69       Haley Beck   F
1        lbarrera  Joshua Stephens   M
2         bburton     Paula Kaiser   F
3       melissa49      Wendy Reese   F
4   melissacarter      Manuel Rios   M

                                              address                    mail  \
id
0   59836 Carla Causeway Suite 939\nPort Eugene, I...  [email protected]
1   3108 Christina Forges\nPort Timothychester, KY...     [email protected]
2                    Unit 7405 Box 3052\nDPO AE 09858  [email protected]
3   6408 Christopher Hill Apt. 459\nNew Benjamin, ...        [email protected]
4    2241 Bell Gardens Suite 723\nScottside, CA 38463  [email protected]

    birthdate
id
0  1997-12-08
1  1924-08-03
2  1933-12-05
3  1988-10-26
4  1931-03-19

​
Dataframe에서 Kinetica 테이블 생성

from gpudb import GPUdbTable

gpudb_table = GPUdbTable.from_df(
    load_df,
    db=kinetica_llm.kdbc,
    table_name=table_name,
    clear_table=True,
    load_data=True,
)

# See the Kinetica column types
print(gpudb_table.type_as_df())

        name    type   properties
0   username  string     [char32]
1       name  string     [char32]
2        sex  string      [char2]
3    address  string     [char64]
4       mail  string     [char32]
5  birthdate    long  [timestamp]

​
LLM context 생성

Kinetica Workbench UI를 사용하여 LLM Context를 생성하거나 CREATE OR REPLACE CONTEXT 구문으로 수동으로 생성할 수 있습니다. 여기서는 생성한 테이블을 참조하는 SQL 구문에서 context를 생성합니다. 
from gpudb import GPUdbSamplesClause, GPUdbSqlContext, GPUdbTableClause

table_ctx = GPUdbTableClause(table=table_name, comment="Contains user profiles.")

samples_ctx = GPUdbSamplesClause(
    samples=[
        (
            "How many male users are there?",
            f"""
            select count(1) as num_users
                from {table_name}
                where sex = 'M';
            """,
        )
    ]
)

context_sql = GPUdbSqlContext(
    name=kinetica_ctx, tables=[table_ctx], samples=samples_ctx
).build_sql()

print(context_sql)
count_affected = kinetica_llm.kdbc.execute(context_sql)
count_affected

CREATE OR REPLACE CONTEXT "demo"."test_llm_ctx" (
    TABLE = "demo"."user_profiles",
    COMMENT = 'Contains user profiles.'
),
(
    SAMPLES = (
        'How many male users are there?' = 'select count(1) as num_users
    from demo.user_profiles
    where sex = ''M'';' )
)

1

​
추론을 위한 LangChain 사용

아래 예제에서는 이전에 생성한 테이블과 LLM context에서 chain을 생성합니다. 이 chain은 SQL을 생성하고 결과 데이터를 dataframe으로 반환합니다.

​
Kinetica DB에서 chat prompt 로드

load_messages_from_context() 함수는 DB에서 context를 검색하고 이를 chat message 목록으로 변환하여 ChatPromptTemplate을 생성하는 데 사용합니다. 
from langchain_core.prompts import ChatPromptTemplate

# load the context from the database
ctx_messages = kinetica_llm.load_messages_from_context(kinetica_ctx)

# Add the input prompt. This is where input question will be substituted.
ctx_messages.append(("human", "{input}"))

# Create the prompt template.
prompt_template = ChatPromptTemplate.from_messages(ctx_messages)
prompt_template.pretty_print()

================================ System Message ================================

CREATE TABLE demo.user_profiles AS
(
   username VARCHAR (32) NOT NULL,
   name VARCHAR (32) NOT NULL,
   sex VARCHAR (2) NOT NULL,
   address VARCHAR (64) NOT NULL,
   mail VARCHAR (32) NOT NULL,
   birthdate TIMESTAMP NOT NULL
);
COMMENT ON TABLE demo.user_profiles IS 'Contains user profiles.';

================================ Human Message =================================

How many male users are there?

================================== Ai Message ==================================

select count(1) as num_users
    from demo.user_profiles
    where sex = 'M';

================================ Human Message =================================

{input}

​
chain 생성

이 chain의 마지막 요소는 SQL을 실행하고 dataframe을 반환하는 KineticaSqlOutputParser입니다. 이것은 선택 사항이며 생략하면 SQL만 반환됩니다. 
from langchain_community.chat_models.kinetica import (
    KineticaSqlOutputParser,
    KineticaSqlResponse,
)

chain = prompt_template | kinetica_llm | KineticaSqlOutputParser(kdbc=kinetica_llm.kdbc)

​
SQL 생성

생성한 chain은 질문을 입력으로 받아 생성된 SQL과 데이터를 포함하는 KineticaSqlResponse를 반환합니다. 질문은 prompt를 생성하는 데 사용한 LLM context와 관련이 있어야 합니다. 
# Here you must ask a question relevant to the LLM context provided in the prompt template.
response: KineticaSqlResponse = chain.invoke(
    {"input": "What are the female users ordered by username?"}
)

print(f"SQL: {response.sql}")
print(response.dataframe.head())

SQL: SELECT username, name
    FROM demo.user_profiles
    WHERE sex = 'F'
    ORDER BY username;
      username               name
0  alexander40       Tina Ramirez
1      bburton       Paula Kaiser
2      brian12  Stefanie Williams
3    brownanna      Jennifer Rowe
4       carl19       Amanda Potts


---

<Callout icon="pen-to-square" iconType="regular">
    [Edit the source of this page on GitHub.](https://github.com/langchain-ai/docs/edit/main/src/oss/python/integrations/chat/kinetica.mdx)
</Callout>
<Tip icon="terminal" iconType="regular">
    [Connect these docs programmatically](/use-these-docs) to Claude, VSCode, and more via MCP for    real-time answers.
</Tip>
⌘I