यह पोस्ट Aurabase के नेटिव AI पैनोरमा का हिस्सा है। कोई भी फ्रेमवर्क किसी डेटाबेस के लिए मालिकाना कनेक्टर प्रदान नहीं करता है: Postgres का कनेक्शन, दोनों ही मामलों में, एक सामान्य SQL ड्राइवर (पायथन पक्ष पर SQLAlchemy) और एक मानक कनेक्शन स्ट्रिंग के माध्यम से जाता है। यह किसी भी प्रबंधित Postgres की तरह Aurabase के लिए सत्य है।
- LangChain: सामान्य एलएलएम ऑर्केस्ट्रेशन ढांचा (चेन, उपकरण, मेमोरी)। एजेंट आज
LangGraphके माध्यम से बनाए जाते हैं, और SQL को दूसरों के बीच एक टूलकिट के रूप में माना जाता है। - LlamaIndex: RAG और क्वेरी संरचित स्रोतों के लिए जन्मा डेटा फ्रेमवर्क। मूल SQL इंजन (
NLSQLTableQueryEngine), इसकेWorkflowsइंजन के माध्यम से एजेंट। - CrewAI और AutoGen LangChain/LlamaIndex के विकल्प नहीं हैं: वे मल्टी-एजेंट ऑर्केस्ट्रेशन परतें हैं, जो दो में से एक (या इन-हाउस पायथन फ़ंक्शन) के शीर्ष पर रखी गई हैं।
- न तो LangChain और न ही LlamaIndex मालिकाना Postgres कनेक्टर प्रदान करता है: दोनों SQLAlchemy का उपयोग करते हैं, किसी भी प्रबंधित Postgres, Aurabase के साथ संगत हैं।
- आज तक इन ढाँचों के लिए कोई Aurabase पैकेज्ड एकीकरण मौजूद नहीं है। कनेक्शन प्रत्येक प्रोजेक्ट द्वारा प्रदर्शित मानक Postgres कनेक्शन स्ट्रिंग के माध्यम से होता है।
विभिन्न आवश्यकताओं के लिए जन्मी दो रूपरेखाएँ
LangChain और LlamaIndex, 2022 के अंत में ChatGPT की रिलीज़ के मद्देनजर, एक ही अवधि के दौरान सामने आए। उनका शुरुआती बिंदु स्पष्ट रूप से भिन्न है। LangChain एक एलएलएम एप्लिकेशन को कंपोज़ेबल चरणों की एक श्रृंखला के रूप में मॉडल करता है: प्रॉम्प्ट, मॉडल कॉल, टूल, मेमोरी, सभी LCEL या LangGraphग्राफ़ के माध्यम से इकट्ठे होते हैं।
LlamaIndex पहला मॉडल डेटा: दस्तावेज़, नोड्स, इंडेक्स, क्वेरी इंजन। VectorStoreIndex या SQLDatabase प्रथम श्रेणी के नागरिक हैं, किसी सामान्य एजेंट में जोड़े गए उपकरण नहीं। दोनों ओपन सोर्स (एमआईटी लाइसेंस) हैं, जो पायथन और TypeScript में उपलब्ध हैं, और आज बड़े पैमाने पर ओवरलैपिंग स्कोप को कवर करते हैं: एजेंट, आरएजी, टूल कॉल, एसक्यूएल कनेक्शन।
यह अभिसरण सुविधाओं की सूची की तुलना में वास्तुकला पर तुलना को अधिक उपयोगी बनाता है: दोनों, लगभग, एक ही काम कर सकते हैं। क्या बदलता है कैसे.
पैकेज्ड इंटीग्रेशन के बिना हर कोई Postgres में कैसे प्लग इन करता है
LangChain तरफ, langchain_community.utilities.SQLDatabase मॉड्यूल एक SQLAlchemy इंजन को इनकैप्सुलेट करता है। create_sql_agent एजेंट फिर इसे उपकरणों के एक सेट के रूप में प्रदर्शित करता है: तालिकाओं की सूची बनाना, एक स्कीमा का वर्णन करना, एक क्वेरी निष्पादित करना, निष्पादन से पहले एक क्वेरी की जांच करना।
from langchain_community.utilities import SQLDatabase
from langchain_community.agent_toolkits import create_sql_agent
from langchain_openai import ChatOpenAI
# स्टूडियो → सेटिंग्स → कनेक्शन से प्राप्त चैनल।
# प्रोजेक्ट स्कीमा के लिए search_path मार्ग (इसके लिए SQLAlchemy/psycopg दस्तावेज़ देखें)।
# उपयोग किए गए ड्राइवर के आधार पर "विकल्प" पैरामीटर की सटीक एन्कोडिंग)।
db = SQLDatabase.from_uri(
"postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
)
llm = ChatOpenAI(model="gpt-4o-mini")
agent = create_sql_agent(llm=llm, db=db, agent_type="tool-calling")
agent.invoke({"input": "Combien de commandes la semaine dernière ?"})
LlamaIndex तरफ, समतुल्य अमूर्तता llama_index.core.SQLDatabase है, जिसे SQLAlchemy इंजन पर भी बनाया गया है। NLSQLTableQueryEngine क्वेरी इंजन एक प्राकृतिक भाषा प्रश्न को SQL क्वेरी में अनुवादित करता है, इसे निष्पादित करता है, और फिर परिणाम को प्रतिक्रिया के रूप में पुन: तैयार करता है।
from sqlalchemy import create_engine
from llama_index.core import SQLDatabase
from llama_index.core.query_engine import NLSQLTableQueryEngine
from llama_index.llms.openai import OpenAI
engine = create_engine(
"postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
)
sql_database = SQLDatabase(engine, include_tables=["orders", "customers"])
query_engine = NLSQLTableQueryEngine(
sql_database=sql_database, llm=OpenAI(model="gpt-4o-mini"),
)
response = query_engine.query("Combien de commandes la semaine dernière ?")
कोई भी अर्क Aurabase पर निर्भर नहीं करता है। एक SQLAlchemy ड्राइवर और एक मानक Postgres कनेक्शन स्ट्रिंग पर्याप्त हैं, जैसे Supabase, RDS, या स्वयं-होस्टेड इंस्टेंस के लिए।
LangGraph बनाम वर्कफ़्लोज़: एक एजेंट को व्यवस्थित करने के दो तरीके
LangChain ने सबसे पहले एक क्लासिक एजेंट लूप (AgentExecutor, ReAct पैटर्न) प्रस्तावित किया। तब से परियोजना ने अपने एजेंटों को LangGraph की ओर एकत्रित कर लिया है: एक एजेंट को नोड्स और किनारों के एक स्पष्ट ग्राफ के रूप में दर्शाया जाता है, जिसमें चेकपॉइंटिंग और दो चरणों के बीच संभावित मानव हस्तक्षेप होता है।
LlamaIndex अपने Workflows के साथ प्रतिक्रिया करता है: एक घटना-संचालित ऑर्केस्ट्रेशन, जहां प्रत्येक चरण टाइप की गई घटनाओं को उत्सर्जित और उपभोग करता है। एक SQL या वेक्टर क्वेरी इंजन अतिरिक्त अनुकूलन परत के बिना सीधे एक चरण के रूप में प्लग इन होता है, क्योंकि ये इंजन पहले से ही फ्रेमवर्क के मूल आदिम हैं।
Postgres को क्वेरी करने वाले एजेंट के लिए, व्यावहारिक अंतर यह है: LangGraph SQL कॉल के आसपास शाखाओं और पुनर्प्रयासों पर बढ़िया नियंत्रण देता है। LlamaIndex को कम लिंकिंग कोड की आवश्यकता होती है जब प्रश्न पहले फ्रेमवर्क द्वारा पहले से ही अनुक्रमित डेटा से संबंधित होता है।
गहराई में जाएं: Postgres एजेंट के लिए फ़ंक्शन कॉलिंग ट्यूटोरियल
जहां LlamaIndex एक ऐतिहासिक कदम आगे है
LlamaIndex को शुरू से ही एलएलएम को डेटा स्रोतों से जोड़ने के लिए डिज़ाइन किया गया था, जिसमें सामग्री के प्रकार के आधार पर कनेक्टर्स की एक सूची (LlamaHub) और विशेष इंडेक्स शामिल थे। RAG फ्रेमवर्क का सबसे प्रत्यक्ष उपयोग का मामला बना हुआ है, तथ्य के बाद जोड़ा गया कोई फीचर नहीं।
LangChain अपने retrievers और फ़ेच चेन के माध्यम से समान आवश्यकता को LangGraph पारिस्थितिकी तंत्र में समान रूप से परिपक्व एकीकरण के साथ कवर करता है। अंतर क्षमता के बारे में कम है, जहां व्यावसायिक तर्क रहता है: LlamaIndex तरफ सूचकांक में एकीकृत, LangChain तरफ एक श्रृंखला में स्पष्ट रूप से इकट्ठा किया गया।
दोनों जानते हैं कि वेक्टर आधार के रूप में pgvector का उपयोग कैसे किया जाता है: LlamaIndex तरफ llama-index-vector-stores-postgres, LangChain तरफ langchain-postgres पैकेज का PGVector वर्ग। Aurabase प्रोजेक्ट पर, pgvector 0.8.6 पहले से ही Postgres किरायेदार छवि में मौजूद है: दोनों पैकेज एक अलग सक्रियण चरण के बिना, एक ही कनेक्शन स्ट्रिंग के साथ इससे जुड़ते हैं।
गहराई से खुदाई करें: Postgres/pgvector RAG पाइपलाइन का निर्माण
CrewAI और AutoGen: जब एक भी एजेंट पर्याप्त नहीं रह जाता है
CrewAI प्रति भूमिका कई एजेंटों को व्यवस्थित करता है: प्रत्येक एजेंट को एक उद्देश्य, एक संदर्भ (backstory) और उपकरण प्राप्त होते हैं, जिन्हें अनुक्रम में या पदानुक्रम के अनुसार निष्पादित Task के साथ Crew में समूहीकृत किया जाता है। यह एक पूर्ण ऑर्केस्ट्रेशन ढांचा है, न कि LangChain का विस्तार।
AutoGen, एक Microsoft अनुसंधान परियोजना, एक अलग दृष्टिकोण अपनाती है: एजेंट जो एक दूसरे से बात करते हैं (AssistantAgent, UserProxyAgent, GroupChat), एक अलग वातावरण में कोड निष्पादित करने की क्षमता के साथ। समन्वय एक वार्तालाप की तरह दिखता है, LangGraph जैसा कोई स्पष्ट स्थिति ग्राफ़ नहीं।
न ही डेटा कनेक्शन परत को प्रतिस्थापित करता है। एक CrewAI या AutoGen एजेंट जिसे Postgres कॉल पढ़ने की आवश्यकता होती है, व्यवहार में, LangChain या LlamaIndex के साथ निर्मित एक SQL टूल, या psycopg2 के आसपास एक सरल पायथन फ़ंक्शन। CrewAI और AutoGen उत्तर देते हैं "कौन क्या करता है और किस क्रम में करता है", न कि "डेटाबेस को कैसे पढ़ें"।
Postgres डेटाबेस पर न तो मूल रूप से क्या होता है
create_sql_agent और NLSQLTableQueryEngine दिए गए कनेक्शन के विरुद्ध मॉडल द्वारा उत्पन्न क्वेरी को निष्पादित करते हैं। न तो डिफ़ॉल्ट रूप से लौटाई गई पंक्तियों की संख्या को सीमित करता है, न ही लिखने के अनुरोध को रोकता है: वास्तविक रेलिंग कनेक्शन स्ट्रिंग में उपयोग की जाने वाली Postgres भूमिका है, फ्रेमवर्क विकल्प नहीं।
यह Aurabase के मूल NL2SQL के साथ एक संरचनात्मक अंतर है, जो सर्वर साइड पर एक प्रश्न का SQL में अनुवाद करता है, उत्पन्न क्वेरी (SQL पार्सिंग, नकली सर्वर फ़ील्ड की अस्वीकृति) को मान्य करता है और निष्पादन से पहले LIMIT को सीमित करता है। यह वही ईंट नहीं है: एक NL2SQL समापन बिंदु एक मोड़ में प्रतिक्रिया करता है, जिसमें प्लेटफ़ॉर्म द्वारा रेलिंग स्थापित की जाती है; LangChain या LlamaIndex एजेंट स्वयं को तैयार करने के लिए सुरक्षा उपायों के साथ कई चरणों में कारण बनता है।
व्यवहार में, दोनों दृष्टिकोण एक-दूसरे को बाहर करने के बजाय एक-दूसरे के पूरक हैं: अंतिम उपयोगकर्ता के सामने आने वाले एक सरल प्रश्न के लिए एक सीमित NL2SQL समापन बिंदु, बहु-चरणीय तर्क के लिए एक एजेंट जो SQL से परे कई उपकरणों को जोड़ता है।
LangChain, LlamaIndex, CrewAI, AutoGen एक तालिका में
| मुख्य उद्देश्य | जनरलिस्ट एलएलएम ऑर्केस्ट्रेशन | डेटा फ्रेमवर्क/आरएजी | भूमिकाओं के अनुसार बहु-एजेंट ऑर्केस्ट्रेशन | संवादी बहु-एजेंट ऑर्केस्ट्रेशन |
|---|---|---|---|---|
| आदिम एजेंट | LangGraph (राज्य ग्राफ) | वर्कफ़्लोज़ (घटना चरण) | कर्मीदल/कार्य/प्रक्रिया | असिस्टेंटएजेंट/ग्रुपचैट |
| मूल SQL कनेक्शन | SQLडेटाबेस + create_sql_agent | SQLडेटाबेस + NLSQLTableQueryEngine | कोई नहीं (बाहरी उपकरण) | कोई नहीं (बाहरी उपकरण) |
| pgvector समर्थन | लैंगचैन-पोस्टग्रेज (पीजीवेक्टर) | लामा-इंडेक्स-वेक्टर-स्टोर्स-पोस्टग्रेज | कोई मूलनिवासी नहीं | कोई मूलनिवासी नहीं |
| मूल बहु-एजेंट | नहीं (मल्टी-नोड LangGraph) | नहीं (एकल-एजेंट प्रवाह) | हाँ | हाँ |
| लाइसेंस | एमआईटी | एमआईटी | एमआईटी | एमआईटी (माइक्रोसॉफ्ट रिसर्च प्रोजेक्ट) |
| लैंगचेन | LLAMAINDEX | क्रू | ऑटोजेन |
LangChain या LlamaIndex को मानक Postgres बैकएंड में प्लग करें
चुने गए ढाँचे की परवाह किए बिना, तीन चरण पर्याप्त हैं, और वे किसी प्लेटफ़ॉर्म-विशिष्ट कनेक्टर पर निर्भर नहीं हैं।
# 1. प्रोजेक्ट की Postgres कनेक्शन स्ट्रिंग पुनर्प्राप्त करें
# (स्टूडियो → सेटिंग्स → कनेक्शन, या कोई प्रबंधित Postgres)
export AURA_DB_URL="postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
# 2. SQL ड्राइवर और चयनित फ़्रेमवर्क स्थापित करें
pip install langchain langchain-community langchain-openai psycopg2-binary
# या, LlamaIndex तरफ:
pip install llama-index llama-index-llms-openai psycopg2-binary
# 3. एक समर्पित Postgres भूमिका बनाएं, केवल तभी पढ़ें जब एजेंट को केवल मतदान करना हो
CREATE ROLE agent_readonly LOGIN PASSWORD '***';
GRANT SELECT ON ALL TABLES IN SCHEMA project_<id> TO agent_readonly;
तीसरा चरण रूपरेखा के चुनाव से अधिक मायने रखता है। वास्तव में आवश्यक अधिकारों तक सीमित एक Postgres भूमिका उत्पन्न अनुरोध के खिलाफ एकमात्र विश्वसनीय सुरक्षा बनी रहती है जो इसके दायरे से अधिक है, भले ही एजेंट इसे निष्पादित कर रहा हो। एजेंट पक्ष पर प्रयोग करने योग्य Aurabase के मूल एलएलएम प्रदाताओं (ओपनएआई, एंथ्रोपिक, जेमिनी) के कॉन्फ़िगरेशन के लिए AI दस्तावेज़ देखें।
अपने प्रोजेक्ट के अनुसार किसे चुनें
Postgres से जुड़े एजेंट के लिए कोई भी ढांचा सख्ती से बेहतर नहीं है। परियोजना का प्रारंभिक संदर्भ कार्यात्मकताओं की सूची से अधिक निर्णायक है।
- LangChain: यदि एजेंट को LangGraph के माध्यम से प्रवाह के अच्छे नियंत्रण के साथ कई विषम उपकरण (एसक्यूएल, बाहरी एपीआई, वेब खोज) को संयोजित करना होगा, और यदि टीम बाजार पर व्यापक एकीकरण पारिस्थितिकी तंत्र को महत्व देती है।
- LlamaIndex: यदि प्रोजेक्ट का केंद्र RAG या पहले से अनुक्रमित डेटा की क्वेरी है, तो स्रोत कनेक्टर्स और एक इंडेक्स/क्वेरी मॉडल की सख्त आवश्यकता है जो सीधे उपयोग के मामले में फिट बैठता है।
- CrewAI या AutoGen इसके अलावा: जैसे ही एक एजेंट पर्याप्त नहीं रह जाता है और काम को दो डेटा फ्रेमवर्क में से एक या दूसरे से ऊपर, कई विशेष भूमिकाओं के बीच वितरित किया जाना चाहिए।
दोनों एक ही प्रोजेक्ट में सह-अस्तित्व में भी रह सकते हैं: LangGraph एजेंट में एक टूल के रूप में प्रदर्शित LlamaIndex क्वेरी इंजन एक सामान्य पैटर्न है। दो ढाँचों को बनाए रखना एक वास्तविक जटिलता लागत है, जिसे डिफ़ॉल्ट रूप से अपनाने से पहले लाभ के विरुद्ध तौला जाना चाहिए।
पूछे जाने वाले प्रश्न
क्या LangChain और LlamaIndex Postgres डेटा को संशोधित कर सकते हैं (सम्मिलित करें, अपडेट करें, हटाएं)?+
create_sql_agent और न ही LlamaIndex तरफ NLSQLTableQueryEngine मूल रूप से केवल पढ़ने योग्य क्वेरी को प्रतिबंधित करता है। वास्तविक सुरक्षा Postgres के स्तर पर उत्पन्न होती है: SELECT तक सीमित अनुदान के साथ एक समर्पित अनुप्रयोग भूमिका। SQL इंजेक्शन के विरुद्ध NL2SQL को सुरक्षित करने के बारे में मार्गदर्शिका भी देखें।