将 LlamaIndex 与 Databricks Unity Catalog 工具集成

使用 Databricks Unity Catalog 将 SQL 和 Python 函数集成为 LlamaIndex 工作流中的工具。 此集成将 Unity Catalog 治理与 LlamaIndex 的功能相结合，以索引和查询 LLM 的大型数据集。

要求

• 安装 Python 3.10 或更高版本。

将 Unity Catalog 工具与 LlamaIndex 集成

在笔记本或 Python 脚本中运行以下代码以创建 Unity Catalog 工具并在 LlamaIndex 代理中使用它。

1. 安装适用于 LlamaIndex 的 Databricks Unity Catalog 集成包。

   %pip install unitycatalog-llamaindex[databricks]
   dbutils.library.restartPython()
   

2. 创建 Unity 目录函数客户端的实例。

   from unitycatalog.ai.core.base import get_uc_function_client
   
   client = get_uc_function_client()
   

3. 创建用 Python 编写的 Unity 目录函数。

   CATALOG = "your_catalog"
   SCHEMA = "your_schema"
   
   func_name = f"{CATALOG}.{SCHEMA}.code_function"
   
   def code_function(code: str) -> str:
     """
     Runs Python code.
   
     Args:
       code (str): The Python code to run.
     Returns:
       str: The result of running the Python code.
     """
     import sys
     from io import StringIO
     stdout = StringIO()
     sys.stdout = stdout
     exec(code)
     return stdout.getvalue()
   
   client.create_python_function(
     func=code_function,
     catalog=CATALOG,
     schema=SCHEMA,
     replace=True
   )
   

4. 将 Unity Catalog 函数的实例创建为工具包，并运行它以验证该工具是否正常运行。

   from unitycatalog.ai.llama_index.toolkit import UCFunctionToolkit
   import mlflow
   
   # Enable traces
   mlflow.llama_index.autolog()
   
   # Create a UCFunctionToolkit that includes the UC function
   toolkit = UCFunctionToolkit(function_names=[func_name])
   
   # Fetch the tools stored in the toolkit
   tools = toolkit.tools
   python_exec_tool = tools[0]
   
   # Run the tool directly
   result = python_exec_tool.call(code="print(1 + 1)")
   print(result)  # Outputs: {"format": "SCALAR", "value": "2\n"}
   

5. 通过将 Unity Catalog 函数定义为 LlamaIndex 工具集合的一部分，在 LlamaIndex ReActAgent 中使用该工具。 然后通过调用 LlamaIndex 工具集合来验证代理是否行为正常。

   from llama_index.llms.openai import OpenAI
   from llama_index.core.agent import ReActAgent
   
   llm = OpenAI()
   
   agent = ReActAgent.from_tools(tools, llm=llm, verbose=True)
   
   agent.chat("Please run the following python code: `print(1 + 1)`")