LangChainのマニュアルにこのようなページが。
ノートブックはこちら。
翻訳しながらウォークスルーします。
Databricks Unity Catalog (UC)
このノートブックは、LangChainおよびLangGraphエージェントAPIを使用してUC関数をLangChainツールとして使用する方法を示しています。
SQLまたはPython関数をUCで作成する方法については、Databricksのドキュメント（AWS|Azure|GCP）を参照してください。関数とパラメータのコメントは、LLMが関数を正しく呼び出すために重要なので、必ず確認してください。
この例のノートブックでは、任意のコードを実行するシンプルなPython関数を作成し、それをLangChainツールとして使用します：
CREATE FUNCTION main.tools.python_exec (
code STRING COMMENT '実行するPythonコード。最終結果をstdoutに出力することを忘れないでください。'
)
RETURNS STRING
LANGUAGE PYTHON
COMMENT 'Pythonコードを実行し、そのstdoutを返します。'
AS $$
import sys
from io import StringIO
stdout = StringIO()
sys.stdout = stdout
exec(code)
return stdout.getvalue()
$$
以下のようにUnity Catalog配下に関数を作成します(若干コードとコメントが違いますが動作は変わりません)。
%pip install --upgrade --quiet databricks-sdk langchain-community databricks-langchain langgraph mlflow
LLMを定義します。
from databricks_langchain import ChatDatabricks
llm = ChatDatabricks(endpoint="databricks-meta-llama-3-70b-instruct")
こちらにあるように、UC関数の実行にはSQLウェアハウスが必要となります。アクセスできるウェアハウスのIDを以下で指定します。
from databricks.sdk import WorkspaceClient
from langchain_community.tools.databricks import UCFunctionToolkit
tools = (
UCFunctionToolkit(
# 作成後のUIでSQLウェアハウスIDを見つけることができます。
warehouse_id="<SQLウェアハウスID>"
)
.include(
# 修飾名を使用して関数をツールとして含めます。
# "{catalog_name}.{schema_name}.*" を使用してスキーマ内のすべての関数を取得できます。
"users.takaaki_yayoi.python_exec",
)
.get_tools()
)
（オプション）関数実行応答を取得するための再試行時間を延長するには、環境変数 UC_TOOL_CLIENT_EXECUTION_TIMEOUT を設定します。デフォルトの再試行時間は120秒です。
import os
os.environ["UC_TOOL_CLIENT_EXECUTION_TIMEOUT"] = "200"
LangGraphエージェントの例
LangGraphも勉強しないと。
from langgraph.prebuilt import create_react_agent
agent = create_react_agent(
llm,
tools,
state_modifier="あなたは役に立つアシスタントです。情報を得るためにツールを使用してください。",
)
agent.invoke({"messages": [{"role": "user", "content": "36939 * 8922.4"}]})
{'messages': [HumanMessage(content='36939 * 8922.4', additional_kwargs={}, response_metadata={}, id='a5b1f530-02f6-487f-b92d-03edd72e6c15'),
AIMessage(content='', additional_kwargs={'tool_calls': [{'id': 'call_197309d2-d735-4022-97ad-33677ba3a009', 'type': 'function', 'function': {'name': 'users__takaaki_yayoi__python_exec', 'arguments': '{ "code": "print(36939 * 8922.4)" }'}}]}, response_metadata={'prompt_tokens': 1242, 'completion_tokens': 34, 'total_tokens': 1276}, id='run-4d595ccb-bef2-4983-9355-55b79041d264-0', tool_calls=[{'name': 'users__takaaki_yayoi__python_exec', 'args': {'code': 'print(36939 * 8922.4)'}, 'id': 'call_197309d2-d735-4022-97ad-33677ba3a009', 'type': 'tool_call'}]),
ToolMessage(content='{"format": "SCALAR", "value": "329584533.59999996\\n", "truncated": false}', name='users__takaaki_yayoi__python_exec', id='5479fd94-7dd3-4de1-8958-61c44cc52c8a', tool_call_id='call_197309d2-d735-4022-97ad-33677ba3a009'),
AIMessage(content='The result of the multiplication is 329,584,533.6.', additional_kwargs={}, response_metadata={'prompt_tokens': 1316, 'completion_tokens': 16, 'total_tokens': 1332}, id='run-01a97acd-d8f2-4bf1-a2bb-d982973aea1f-0')]}
関数が呼び出され、計算結果の329584533.59999996を得ることができました。
LangChainエージェントの例
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages(
[
(
"system",
"あなたは役に立つアシスタントです。情報を得るためにツールを使用してください。",
),
("placeholder", "{chat_history}"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
]
)
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "36939 * 8922.4"})
> Entering new AgentExecutor chain...
Invoking: `users__takaaki_yayoi__python_exec` with `{'code': 'print(36939 * 8922.4)'}`
{"format": "SCALAR", "value": "329584533.59999996\n", "truncated": false}The result of the multiplication is 329,584,533.6.
> Finished chain.
こちらも同じ結果を得ることができました。