主要层的功能允许我们将聊天记录用作上下文，这样当数据传递给 LLM时，就带有与我们的查询相关的背景知识。我们还在初始提示中要求改进查询的整体情况，以便更轻松地为 SQL Agent进行选择。
在上面的代码块中，使用 LangChain 的 ChatOpenAI 函数启动我们的LLM代码块。之后，使用 ConversationBufferMemory 实例化内存。最后，使用 promptTemplate 设置提示，该提示适配于我们的用例。
在下一段代码中，将使用上一个代码块中定义的变量创建 QA 链，将消息添加到聊天记录中，然后运行链以获取改进的查询。请注意，input_documents是故意留空的。
在第二层，SQL Agent首先获取到用户的问题，然后要求 LLM 根据用户的问题创建 SQL 查询，使用内置函数在MySQL数据库上运行查询。最后，将来自数据库的响应数据与原始问题再次发送给LLM。这是一种新型的 RAG 检索器，可以轻松连接到您的数据库，从而在您的数据和聊天机器人之间轻松无缝地连接。
在这里，我们启动了多个变量，从使用 SQLDatabase.from_uri() 开始，它接受数据库 URL。接下来，我们像以前实例化LLM一样，但这次我们添加了一个名为 model_kwargs 的特殊参数，并将响应格式设置为 JSON，以便我们更容易获取数据并解析它。
SQL Agent的提示略有不同。在这里，我们使用的是 ChatpromptTemplate，如果你真的研究它，你会看到它是如何专门编写的，用于创建和运行 SQL 查询。
create_sql_agent函数创建了SQL 代理，它包含了LLM、数据库、提示，agent_type必须是“openai-tools”。
这是代码的最后一部分，它将首先运行第一层以获取改进的查询，然后我们使用该改进的查询来获得最终响应。
这个解决方案的关键要点是，它是根据我的用例DIY 构建的。我相信LangChain社区迟早会找到一个解决方案，他们可以满足与SQL代理的聊天记录。就目前而言，如果您希望将聊天记录与您自己的聊天机器人合并，可以直接查询到您的数据库中，这对您非常有帮助。