Skip to content
intermediate 15 min

Text-to-SQL-Agent mit Gedachtnis

Befrage jede Datenbank in naturlicher Sprache — mit persistentem Gedachtnis und SQL-Fahigkeiten

sqldatabasedata-analysis

Das Problem

Datenbanken mit naturlicher Sprache abzufragen erfordert Schemaverstandnis, korrektes SQL-Schreiben, Behandlung von Sonderfallen und Erklarung der Ergebnisse — und dabei muss der Agent stets an der tatsachlichen Datenstruktur verankert bleiben.

Die Lösung

Deep Agents kombiniert LangChains SQLDatabaseToolkit mit persistentem Gedachtnis (AGENTS.md fur Identitat und Regeln) und Skills (spezialisierte SQL-Workflows). Der Agent erkundet Schemata, schreibt Abfragen und lernt aus vergangenen Interaktionen durch dateisystembasiertes Gedachtnis.

Funktionierender Code

text_to_sql_agent.py
from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend
from langchain_anthropic import ChatAnthropic
from langchain_community.agent_toolkits import SQLDatabaseToolkit
from langchain_community.utilities import SQLDatabase


db = SQLDatabase.from_uri("sqlite:///my_database.db", sample_rows_in_table_info=3)
model = ChatAnthropic(model="claude-sonnet-4-5-20250929", temperature=0)
toolkit = SQLDatabaseToolkit(db=db, llm=model)


agent = create_deep_agent(
    model=model,
    memory=["./AGENTS.md"],
    skills=["./skills/"],
    tools=toolkit.get_tools(),
    backend=FilesystemBackend(root_dir="."),
)


result = agent.invoke({"messages": [("user", "What are the top 5 best-selling artists?")]})

Schritt für Schritt

1

Datenbankverbindung einrichten

Verbinde dich uber SQLAlchemy-URI mit deiner Datenbank. Deep Agents unterstutzt SQLite, PostgreSQL, MySQL und jede von SQLAlchemy unterstutzte Datenbank. Der Parameter `sample_rows_in_table_info` hilft dem Agenten, Datenmuster zu verstehen.

2

Agenten-Identitat erstellen (AGENTS.md)

Schreibe eine AGENTS.md-Datei, die Rolle des Agenten, datenbankspezifische Regeln und Abfragekonventionen definiert. Dieses persistente Gedachtnis sichert konsistentes Verhalten uber Sitzungen hinweg.

3

SQL-Skills hinzufugen

Erstelle Skill-Dateien im `skills/`-Verzeichnis fur gangige SQL-Workflows: Schema-Erkundung, komplexe Joins, Aggregationsmuster und Berichtserstellung.

4

In naturlicher Sprache abfragen

Rufe den Agenten mit einfachen Fragen in naturlicher Sprache auf. Er erkundet das Schema, schreibt SQL-Abfragen, fuhrt sie aus und liefert menschenlesbare Ergebnisse mit Erklarungen.

Verwandte Anwendungsfälle

intermediate 20 min

Deep-Research-Agent mit Sub-Agenten

Erstelle einen Research-Agenten, der komplexe Themen in Teilaufgaben zerlegt, an spezialisierte Sub-Agenten delegiert, das Web durchsucht und die Ergebnisse in einem strukturierten Bericht zusammenfasst.
intermediate 20 min

Automatisierter Code-Review-Agent

Erstelle einen Agenten, der durch Codebasen navigiert, Dateien liest, mit grep/glob nach Mustern sucht, Bugs und Sicherheitsprobleme identifiziert und detaillierte Review-Berichte schreibt — alles mit eingebauten Dateisystem-Tools und Sandboxing.

Bereit, das zu bauen?

Starten Sie mit Vstorms Open-Source-Tools — produktionserprobt, vollständig dokumentiert und kostenlos.

Loslegen

Bereit, deinen ersten Produktions-KI-Agenten zu bauen?

Open-Source-Tools, kampferprobte Patterns, null Boilerplate. Konfiguriere deinen Stack und shippe in Minuten — nicht Monaten.

Deine KI-App bauen