当前位置：首页 > news >正文

从ai产品推荐到利用cursor快速掌握一个开源项目再到langchain手搓一个Text2Sql agent

news 来源：原创 2025/5/19 7:17:27

0. 经验分享：产品推荐

1. 经验分享：提示词优化

2. 经验分享：使用cursor 阅读一篇文章

3. 经验分享：使用cursor 阅读一个完全陌生的开源项目

4. 经验分享：手搓一个text2sql agent （使用langchain langgraph）

0. 经验分享：产品推荐

ai 产品

360ai 浏览器

https://www.perplexity.ai/onboarding?redirect=https%3A%2F%2Fwww.perplexity.ai%2F%3Flogin-source%3DoneTapHome

秘塔AI搜索

ima.copilot-腾讯智能工作台

https://deepseek.com -→ 揭秘DeepSeek:一个更极致的中国技术理想主义故事

ai 导航站

极客时间 AI 指南

ai 学习材料

https://github.com/anthropics
大语言模型（LLM）学习路径和资料汇总 · Issue #97 · ninehills/blog · GitHub

Docs

动手实战人工智能 AI By Doing — 动手实战人工智能 AI By Doing

agent平台

code

dify

fastgpt

发展趋势：

pc-agent

GLM-PC

mobile-agent

Mobile-Agent-E: Self-Evolving Mobile Assistant for Complex Tasks

检测论文是否由ai 生成： GitHub - Jiaqi-Chen-00/ImBD: [AAAI 2025] Official repository of Imitate Before Detect: Aligning Machine Stylistic Preference for Machine-Revised Text Detection

写小说 GitHub - nicekate/Al-StoryLab: AI-StoryLab 是一款基于 Next.js 的智能故事创作平台，集成音频制作与 AI 绘图提示词生成功能。

GitHub - Aria-Zhangjl/StoryWeaver: [AAAI 2025] StoryWeaver: A Unified World Model for Knowledge-Enhanced Story Character Customization

漫画生成： GitHub - jianzongwu/DiffSensei: Implementation of "DiffSensei: Bridging Multi-Modal LLMs and Diffusion Models for Customized Manga Generation"

社交： GitHub - langchain-ai/social-media-agent: 📲 An agent for sourcing, curating, and scheduling social media posts with human-in-the-loop.

https://github.com/whotto/Video_note_generator

电影视频： https://github.com/linyqh/NarratoAI

https://github.com/Huanshere/VideoLingo/blob/main/i18n/README.zh.md

数字人： https://github.com/modstart-lib/aigcpanel

教育方向： GitHub - taoofagi/easegen-front: Easegen is an open-source digital human course creation platform offering comprehensive solutions from course production and video management to intelligent quiz generation.Easegen 是一个开源的数字人课程制作平台，提供从课程制作、视频管理到智能出题的全方位解决方案。

1. 经验分享：提示词优化

a.search in english, reponse use chinese ;

b.思维链）

李继刚：Prompt的道与术

总结：没什么用

2. 经验分享：使用cursor 阅读一篇文章

1.安装markmap插件

2.提示词： @http://xxx 阅读文章帮我，使用md 格式生产思维导图

效果如下：

3. 经验分享：使用cursor 阅读一个完全陌生的开源项目

1.安装plantUml 插件

2. 提示词：

@codebase 使用plantUml格式，帮我生成这个项目的架构图

@codebase 帮我生成xxx 的流程图

@codebase 帮我写一篇关于roo Cline 系统提示词分析

以roo-code插件项目为例为例： GitHub - RooVetGit/Roo-Code: Roo Code (prev. Roo Cline) is a VS Code plugin that enhances coding with AI-powered automation, multi-model support, and experimental features

4. 经验分享：手搓一个text2sql agent （使用langchain langgraph）

import os
from typing import Dict, Any, List
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_community.utilities import SQLDatabase
from dotenv import load_dotenv
import pymysql
from sqlalchemy import create_engine, text# 加载环境变量
load_dotenv()class MySQLChainDemo:"""MySQL Chain 演示类"""def __init__(self, database: str = None):"""初始化 MySQL Chain 演示实例Args:database: 数据库名称，如果不指定则使用环境变量中的配置"""self.llm = ChatOpenAI(model="deepseek-chat",openai_api_key=os.getenv("LLM_API_KEY"),base_url=os.getenv("LLM_BASE_URL"))# 使用传入的数据库名或环境变量中的配置self.database = database or os.getenv("MYSQL_DATABASE", "stock")# 创建数据库连接db_url = (f"mysql+pymysql://{os.getenv('MYSQL_USER')}:{os.getenv('MYSQL_PASSWORD')}"f"@{os.getenv('MYSQL_HOST')}:{os.getenv('MYSQL_PORT')}/{self.database}")self.engine = create_engine(db_url)self.db = SQLDatabase(engine=self.engine)def get_tables_info(self) -> str:"""获取所有表的信息"""try:with self.engine.connect() as conn:# 获取所有表名tables = conn.execute(text("SHOW TABLES")).fetchall()tables = [table[0] for table in tables]tables_info = [f"当前数据库: {self.database}"]for table in tables:# 获取表结构columns = conn.execute(text(f"DESCRIBE `{table}`")).fetchall()columns_info = [f"{col[0]} ({col[1]})" for col in columns]tables_info.append(f"\n表名: {table}")tables_info.append("列: " + ", ".join(columns_info))return "\n".join(tables_info)except Exception as e:return f"获取表信息失败: {str(e)}"def execute_query(self, question: str) -> str:"""执行自然语言查询"""try:# 创建提示模板prompt = ChatPromptTemplate.from_messages([("system", """你是一个MySQL专家，请将用户的自然语言问题转换为可执行的MySQL查询语句。当前数据库环境：
数据库名称: {database}数据库表结构如下：
{tables_info}规则：
1. 只返回一个MySQL查询语句
2. 不要包含任何注释或额外说明
3. 不要使用markdown格式
4. 使用反引号(`)包裹表名和列名
5. 确保SQL语法正确
6. 查询information_schema时使用当前数据库名称示例：
问题：数据库中有哪些表？
返回：SELECT TABLE_NAME as table_name FROM INFORMATION_SCHEMA.TABLES WHERE TABLE_SCHEMA = '{database}';问题：查询用户表有多少条记录？
返回：SELECT COUNT(*) as total FROM `users`;
"""),("human", "{question}")])# 获取表信息tables_info = self.get_tables_info()# 生成SQLchain = prompt | self.llm | StrOutputParser()sql = chain.invoke({"question": question,"tables_info": tables_info,"database": self.database}).strip()# 执行SQLwith self.engine.connect() as conn:result = conn.execute(text(sql))rows = result.fetchall()if not rows:return f"SQL查询: {sql}\n\n查询结果: 无数据"# 格式化结果columns = result.keys()results = []for row in rows:result_dict = dict(zip(columns, row))results.append(str(result_dict))return f"SQL查询: {sql}\n\n查询结果:\n" + "\n".join(results)except Exception as e:return f"查询执行失败: {str(e)}\nSQL: {sql if 'sql' in locals() else '未生成'}"def main():"""主函数"""# 可以指定数据库名称，或使用默认值demo = MySQLChainDemo()  # 使用默认的 stock 数据库# demo = MySQLChainDemo(database="other_db")  # 使用指定的数据库# 测试查询test_queries = ["数据库中有哪些表？","查询t_stock_min_trade表中最新的交易时间","查询t_stock_min_trade表中股票代码为000001的最近3条记录","统计t_stock_min_trade表中有多少个不同的股票代码"]for query in test_queries:print(f"\n问题: {query}")result = demo.execute_query(query)print(result)print("-" * 50)if __name__ == "__main__":main()

涉及到到细节的代码和roo code 源码分析见github：
https://github.com/caicongyang/ai-agent-demo.git
https://github.com/caicongyang/mini-cline.git

0. 经验分享：产品推荐

1. 经验分享：提示词优化

2. 经验分享：使用cursor 阅读一篇文章

3. 经验分享：使用cursor 阅读一个完全陌生的开源项目

4. 经验分享：手搓一个text2sql agent （使用langchain langgraph）

相关文章：