Function Calling进行Mysql数据库查询

最新推荐文章于 2025-06-19 21:18:06 发布

编程路上的老蜗牛

最新推荐文章于 2025-06-19 21:18:06 发布

阅读量777

点赞数 10

CC 4.0 BY-SA版权

分类专栏：猫猫AI_Agent 文章标签：数据库 mysql 人工智能机器学习自然语言处理 langchain prompt

本文链接：https://blog.csdn.net/sinat_35153174/article/details/146347303

猫猫AI_Agent 专栏收录该内容

14 篇文章

订阅专栏

技术定义与核心价值

Function Calling（函数调用）是MySQL数据库查询优化的核心方法论之一，指通过预定义的存储过程（Stored Procedure）或自定义函数（User-Defined Function）执行数据操作，实现业务逻辑与数据库操作的深度耦合。相较于传统SQL语句拼接，其核心价值体现在：

‌逻辑封装‌：将高频查询、复杂计算封装为可复用的函数模块，例如通过CREATE PROCEDURE定义多表联查逻辑，或使用CREATE FUNCTION实现税率计算等业务规则；
‌性能优化‌：预编译的存储过程减少SQL解析开销，结合参数化查询降低网络传输负载；
‌安全增强‌：通过权限隔离（如GRANT EXECUTE ON PROCEDURE）控制敏感数据访问，规避SQL注入风险。

应用场景与演进方向‌
在传统企业系统中，Function Calling常用于财务报表生成、数据清洗等批处理任务。随着AI技术发展，其与自然语言处理（NLP）的结合成为新趋势：通过语义解析引擎将用户提问（如“显示本月华东区销售额”）转换为函数调用指令（如CALL get_region_sales('East', CURRENT_MONTH)），驱动智能数据分析Agent自动响应。

‌总结‌
Function Calling通过标准化、模块化的数据库操作接口，显著提升系统健壮性与开发效率。未来在低代码平台与AI代理的驱动下，其“声明式调用+自动化执行”的特性将进一步降低数据库交互门槛，成为企业数据架构升级的关键技术支点。

一、定义Mysql表结构以及查询

进行表结构的定义以及mysql数据库的连接以及查询

table_sql = """

CREATE TABLE `user_info` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '角色id',
  `role` varchar(255) DEFAULT NULL COMMENT '角色简称',
  `name` varchar(255) DEFAULT NULL COMMENT '姓名',
  `wuqi` varchar(255) DEFAULT NULL COMMENT '武器',
  `fashu` varchar(255) DEFAULT NULL COMMENT '法术',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=14 DEFAULT CHARSET=utf8;

"""

# 数据库连接配置
config = {
    'host':'localhost',
    'user':'root',
    'password':'123456',
    'database':'sys'
}

def mysql_query(query:str):
    # 获取数据库连接
    try:
        db = pymysql.connect(**config)
        cursor = db.cursor()
        cursor.execute(query)
        result = cursor.fetchall()
        return result
    except Exception as e:
        print(f"Error connecting to database: {e}")
        return ""    
def get_query_result(tool_name,tool_args):
    if tool_name == "mysql_query":
        sql = tool_args["query"]
        print(sql)
        result = mysql_query(sql)
        print(f'执行结果是：{result}')
        return str(result)
    else:
        return "未知的函数"

二、定义functions

functions = [{
            "type": "function",
            "function": {
                "name": "mysql_query",
                "description": "使用此功能回答用户有关业务的问题。输出应该是完整形式的SQL查询",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "query": {
                            "type": "string",
                            "description": f"""
                            SQL查询提取信息以回答用户的问题.
                            SQL应该使用此数据库模式编写：
                            {table_sql}
                            该查询应该以纯文本形式返回，而不是以JSON形式返回.
                            查询应仅包含Mysql支持的语法.
                            """,
                        }
                    },
                    "required": ["query"],
                }
            }
        }]

三、定义OpenAI以及模型工具调用

1、进行模型定义

client = OpenAI(
    api_key = os.getenv("DMX_OPENAI_API_KEY"),
    base_url = os.getenv("DMX_BASE_URL")
)

def get_sql_completion(messages, model="gpt-3.5-turbo"):
    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages,
            temperature=0,
            tools= functions,
            tool_choice = "auto"
        )
        return response.choices[0].message
    except ValueError as e:
        print(f"模型处理数据异常:{str(e)}")

2、定义提示词以及message参数，并对第一次的执行结果进行封装

rompt = "孙悟空有什么武器和法术";

messages = [
    {"role": "system", "content": "你是一个数据分析师，基于数据库的数据回答问题"},
    {"role": "user", "content": prompt}
]

first_response = get_sql_completion(messages)
if first_response:
    messages.append(first_response)

    # 注意第一次的结果也要塞入
    tool_calls = first_response.tool_calls
    if tool_calls is not None:
        for tool_call in tool_calls:
            tool_name = tool_call.function.name
            tool_args = json.loads(tool_call.function.arguments)
            # 解析后的结果塞入
            messages.append({
                "role": "tool",
                "content": get_query_result(tool_name,tool_args),
                "tool_call_id": tool_call.id
            })
            
# 第二次请求
second_response = get_sql_completion(messages)
print("*****************************************")
print(second_response.content)

四、运行结果

以上结果运行了三次，三次都是不一样的，所以还有待于进行微调，不过这里只是demo演示，了解其运行过程。

五、扩展与思考

1、上面的例子是一个表的，那么对于三个表、多个表呢

只要在table_sql中加入对应的表接口就可以了

table_sql = """

CREATE TABLE customers (
    id INT PRIMARY KEY NOT NULL, -- 主键，不允许为空
    customer_name VARCHAR(255) NOT NULL, -- 客户名，不允许为空
    email VARCHAR(255) UNIQUE, -- 邮箱，唯一
    register_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP -- 注册时间，默认为当前时间
);
CREATE TABLE products (
    id INT PRIMARY KEY NOT NULL, -- 主键，不允许为空
    product_name VARCHAR(255) NOT NULL, -- 产品名称，不允许为空
    price DECIMAL(10,2) NOT NULL -- 价格，不允许为空
);
CREATE TABLE orders (
    id INT PRIMARY KEY NOT NULL, -- 主键，不允许为空
    customer_id INT NOT NULL, -- 客户ID，不允许为空
    product_id INT NOT NULL, -- 产品ID，不允许为空
    price DECIMAL(10,2) NOT NULL, -- 价格，不允许为空
    status INT NOT NULL, -- 订单状态，整数类型，不允许为空。0代表待支付，1代表已支付，2代表已退款
    create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP, -- 创建时间，默认为当前时间
    pay_time TIMESTAMP -- 支付时间，可以为空
);

"""

2、这个例子中数据库采用的是mysql，那么sqllite、ES、mongoDB集成也和这类似，只是修改对应的查询就可以了。不过现在已经有成熟的框架去调用了，可以不用fun_call去处理了，这里只是了解其原理。比如基于SQLDatabase+langchain+mysql搭建智能sql查询_langchain sqldatabasechain-CSDN博客这个例子中就是基于langchain框架进行数据处理的。

这个是function calling基本的用法，以及多工具调用实例，可以参考

大语言模型function calling的基本用法-CSDN博客