Skip to main content
Open on GitHub

Databricks

Databricks 智能平台是全球首个由生成式 AI 驱动的数据智能平台。将 AI 融入您业务的方方面面。

Databricks 以多种方式拥抱 LangChain 生态系统：

  1. 🚀 模型服务 - 通过高可用、低延迟的推理端点，访问最先进的语言模型（如 DBRX、Llama3、Mixtral）或您微调的模型，这些模型托管在 Databricks 模型服务 上。LangChain 提供了 LLM (Databricks)、聊天模型 (ChatDatabricks) 和嵌入 (DatabricksEmbeddings) 的实现，简化了将托管在 Databricks 模型服务上的模型与您 LangChain 应用程序的集成过程。
  2. 📃 向量搜索 - Databricks 向量搜索 是一个无服务器向量数据库，无缝集成在 Databricks 平台中。使用 DatabricksVectorSearch，您可以将高度可扩展且可靠的相似性搜索引擎集成到您的 LangChain 应用中。
  3. 📊 MLflow - MLflow 是一个开源平台，用于管理完整的机器学习生命周期，包括实验管理、评估、追踪、部署等。MLflow 的 LangChain 集成简化了现代复合机器学习系统的开发和运维流程。
  4. 🌐 SQL 数据库 - Databricks SQL 已集成到 LangChain 的SQLDatabase中，使您能够访问自动优化且性能卓越的數據倉庫。
  5. 💡 开源模型 - Databricks 开源了如 DBRX 等模型，这些模型可通过 Hugging Face Hub 获取。这些模型可直接与 LangChain 配合使用，利用其与 transformers 库的集成能力。

安装​

第一方 Databricks 集成现已在 databricks-langchain 合作伙伴包中提供。

pip install databricks-langchain

传统的 langchain-databricks 合作伙伴包仍然可用，但即将被弃用。

聊天模型​

ChatDatabricks 是一个聊天模型类，用于访问托管在 Databricks 上的聊天端点，包括最先进的大模型（如 Llama3、Mixtral 和 DBRX）以及您自己的微调模型。

from databricks_langchain import ChatDatabricks

chat_model = ChatDatabricks(endpoint="databricks-meta-llama-3-70b-instruct")

查看 使用示例 以获取更多关于如何在您的 LangChain 应用中使用的指导。

LLM​

Databricks 是一个用于访问托管在 Databricks 上的完成端点的 LLM 类。

注意

文本补全模型已被弃用，最新且最流行的模型是聊天补全模型。请使用ChatDatabricks聊天模型来调用这些模型以及工具调用等高级功能。

from langchain_community.llm.databricks import Databricks

llm = Databricks(endpoint="your-completion-endpoint")

查看 使用示例 以获取更多关于如何在您的 LangChain 应用中使用的指导。

嵌入​

DatabricksEmbeddings 是一个 Embeddings 类，用于访问托管在 Databricks 上的文本嵌入端点，包括最先进的模型（如 BGE）以及您自己微调的模型。

from databricks_langchain import DatabricksEmbeddings

embeddings = DatabricksEmbeddings(endpoint="databricks-bge-large-en")

查看 使用示例 以获取更多关于如何在您的 LangChain 应用中使用的指导。

Databricks Vector Search 是一个无服务器的相似性搜索引擎，允许您将数据的向量表示（包括元数据）存储在向量数据库中。通过 Vector Search，您可以从由 Delta 表管理的 Unity Catalog 创建自动更新的向量搜索索引，并使用简单的 API 查询这些索引以返回最相似的向量。

from databricks_langchain import DatabricksVectorSearch

dvs = DatabricksVectorSearch(
    endpoint="<YOUT_ENDPOINT_NAME>",
    index_name="<YOUR_INDEX_NAME>",
    index,
    text_column="text",
    embedding=embeddings,
    columns=["source"]
)
docs = dvs.similarity_search("What is vector search?)

查看 使用示例 以了解如何设置向量索引并将其与 LangChain 集成。

MLflow 集成​

在 LangChain 集成的上下文中，MLflow 提供以下功能：

  • 实验追踪: 跟踪并存储来自您的 LangChain 实验的模型、工件和追踪信息。
  • 依赖管理: 自动记录依赖库，确保开发、测试和生产环境之间的一致性。
  • 模型评估 提供用于评估 LangChain 应用的本地功能。
  • 追踪: 可视化地追踪数据流通过您的 LangChain 应用程序。

查看 MLflow LangChain 集成 以通过大量代码示例和指南，了解使用 MLflow 与 LangChain 结合的全部功能。

SQLDatabase​

要连接 Databricks SQL 或查询结构化数据，请参阅 Databricks 结构化检索器工具文档；若要使用上述创建的 SQL UDF 创建代理，请参见 Databricks UC 集成。

开放模型​

要直接集成托管在 HuggingFace 上的 Databricks 开源模型，您可以使用 LangChain 的 HuggingFace 集成。

from langchain_huggingface import HuggingFaceEndpoint

llm = HuggingFaceEndpoint(
    repo_id="databricks/dbrx-instruct",
    task="text-generation",
    max_new_tokens=512,
    do_sample=False,
    repetition_penalty=1.03,
)
llm.invoke("What is DBRX model?")