Ten post jest częścią panoramy Native AI użytkownika Aurabase. Żadna z platform nie oferuje własnego łącznika z bazą danych: połączenie z Postgres przechodzi w obu przypadkach przez ogólny sterownik SQL (SQLAlchemy po stronie Pythona) i standardowy ciąg połączenia. Dotyczy to Aurabase, jak każdego zarządzanego Postgres.
- LangChain: ogólna struktura orkiestracji LLM (łańcuchy, narzędzia, pamięć). Agencje są obecnie budowane za pośrednictwem
LangGraph, a język SQL jest traktowany jako jeden z wielu zestawów narzędzi. - LlamaIndex: struktura danych stworzona dla RAG i odpytująca źródła strukturalne. Natywny silnik SQL (
NLSQLTableQueryEngine), agenci za pośrednictwem silnikaWorkflows. - CrewAI i AutoGen nie są alternatywami dla LangChain/LlamaIndex: są to wieloagentowe warstwy orkiestracji, umieszczone na jednej z nich (lub na wewnętrznej funkcji Pythona).
- Ani LangChain, ani LlamaIndex nie oferują zastrzeżonego złącza Postgres: oba używają SQLAlchemy, kompatybilnego z dowolnym zarządzanym Postgres, Aurabase w zestawie.
- Jak dotąd nie istnieje żadna pakietowa integracja Aurabase dla tych frameworków. Połączenie odbywa się za pośrednictwem standardowego ciągu połączenia Postgres udostępnianego przez każdy projekt.
Dwa frameworki stworzone dla różnych potrzeb
LangChain i LlamaIndex pojawiły się w tym samym okresie, po wydaniu ChatGPT pod koniec 2022 r. Ich punkt wyjścia znacznie się różni. LangChain modeluje aplikację LLM jako łańcuch możliwych do skomponowania kroków: zachęta, wywołanie modelu, narzędzie, pamięć, a wszystko to złożone za pomocą wykresu LCEL lub LangGraph.
LlamaIndex pierwsze modele danych: dokumenty, węzły, indeksy, silnik zapytań. VectorStoreIndex lub SQLDatabase to obywatele pierwszej klasy, a nie narzędzia dodane do ogólnego agenta. Obydwa są open source (licencja MIT), dostępne w Pythonie i TypeScript i obecnie obejmują w dużej mierze pokrywający się zakres: agenci, RAG, wywoływanie narzędzi, połączenie SQL.
Ta zbieżność sprawia, że porównanie jest bardziej przydatne w przypadku architektury niż na liście funkcji: oba mogą prawie zrobić to samo. Co się zmienia, to jak.
Jak wszyscy podłączają się do Postgres bez pakietowej integracji
Po stronie LangChain moduł langchain_community.utilities.SQLDatabase hermetyzuje silnik SQLAlchemy. Następnie agent create_sql_agent udostępnia go jako zestaw narzędzi: wyświetla listę tabel, opisuje schemat, wykonuje zapytanie, sprawdza zapytanie przed wykonaniem.
from langchain_community.utilities import SQLDatabase
from langchain_community.agent_toolkits import create_sql_agent
from langchain_openai import ChatOpenAI
# Kanał uzyskany ze Studio → Ustawienia → Połączenie.
# search_path trasa do schematu projektu (patrz dokumentacja SQLAlchemy/psycopg dla
# dokładne kodowanie parametru „opcje” w zależności od użytego sterownika).
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 ?"})
Po stronie LlamaIndex równoważną abstrakcją jest llama_index.core.SQLDatabase, również zbudowana na silniku SQLAlchemy. Mechanizm zapytań NLSQLTableQueryEngine tłumaczy pytanie w języku naturalnym na zapytanie SQL, wykonuje je, a następnie ponownie formułuje wynik jako odpowiedź.
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 ?")
Żaden ekstrakt nie zależy od Aurabase. Wystarczający jest sterownik SQLAlchemy i standardowy ciąg połączenia Postgres, podobnie jak w przypadku Supabase, RDS lub instancji hostowanej samodzielnie.
LangGraph a przepływy pracy: dwa sposoby koordynowania agenta
LangChain jako pierwszy zaproponował klasyczną pętlę agenta (AgentExecutor, wzorzec ReAct). Od tego czasu projekt skupił swoich agentów w kierunku LangGraph: agent jest tam reprezentowany jako wyraźny wykres węzłów i krawędzi, z punktami kontrolnymi i możliwą interwencją człowieka pomiędzy dwoma etapami.
LlamaIndex odpowiada swoim Workflows: orkiestracją sterowaną zdarzeniami, w której każdy krok emituje i zużywa zdarzenia o określonym typie. Silnik zapytań SQL lub wektorowych podłącza się bezpośrednio jako krok, bez dodatkowej warstwy adaptacyjnej, ponieważ te silniki są już natywnymi prymitywami frameworka.
W przypadku agenta wysyłającego zapytanie do Postgres praktyczna różnica jest następująca: LangGraph zapewnia precyzyjną kontrolę nad gałęziami i ponownymi próbami wywołania SQL. LlamaIndex wymaga mniej kodu łączącego, gdy pytanie dotyczy najpierw danych już zaindeksowanych przez platformę.
Zajrzyj głębiej: tutorial dotyczący wywoływania funkcji dla agenta Postgres
Gdzie LlamaIndex pozostaje historycznym krokiem do przodu
LlamaIndex został od początku zaprojektowany do łączenia LLM ze źródłami danych, z katalogiem konektorów (LlamaHub) i wyspecjalizowanymi indeksami w zależności od rodzaju treści. RAG pozostaje najbardziej bezpośrednim przypadkiem użycia frameworka, a nie funkcją dodaną po fakcie.
LangChain zaspokaja tę samą potrzebę poprzez swoje retrievers i łańcuchy pobierania, z równie dojrzałą integracją z ekosystemem LangGraph. Różnica w mniejszym stopniu dotyczy pojemności, a miejsca, w którym znajduje się logika biznesowa: zintegrowana z indeksem po stronie LlamaIndex, jawnie zmontowana w łańcuch po stronie LangChain.
Obaj wiedzą, jak używać pgvector jako bazy wektorowej: llama-index-vector-stores-postgres po stronie LlamaIndex, klasa PGVector pakietu langchain-postgres po stronie LangChain. W projekcie Aurabase pgvector 0.8.6 jest już obecny w obrazie dzierżawy Postgres: oba pakiety łączą się z nim za pomocą tych samych parametrów połączenia, bez osobnego etapu aktywacji.
CrewAI i AutoGen: gdy pojedynczy agent już nie wystarcza
CrewAI organizuje kilku agentów na rolę: każdy agent otrzymuje cel, kontekst (backstory) i narzędzia pogrupowane w Crew z Task wykonywanymi sekwencyjnie lub według hierarchii. Jest to pełnoprawna platforma orkiestracji, a nie rozszerzenie LangChain.
AutoGen, projekt badawczy firmy Microsoft, przyjmuje inne podejście: agenci, którzy komunikują się ze sobą (AssistantAgent, UserProxyAgent, GroupChat), z możliwością wykonywania kodu w izolowanym środowisku. Koordynacja wygląda jak rozmowa, a nie wyraźny wykres stanu, taki jak LangGraph.
Żadna z nich nie zastępuje warstwy połączenia danych. Agent CrewAI lub AutoGen, który musi czytać Postgres, wywołuje w praktyce narzędzie SQL zbudowane z LangChain lub LlamaIndex lub prostą funkcję Pythona bazującą na psycopg2. CrewAI i AutoGen odpowiadają „kto co i w jakiej kolejności robi”, a nie „jak czytać bazę danych”.
Czego żadne z nich nie robi natywnie w bazie danych Postgres
create_sql_agent i NLSQLTableQueryEngine wykonują zapytanie wygenerowane przez model na podstawie dostarczonego połączenia. Nie ogranicza domyślnie liczby zwracanych wierszy ani nie blokuje żądania zapisu: rzeczywistą barierą jest rola Postgres używana w ciągu połączenia, a nie opcja platformy.
Jest to strukturalna różnica w stosunku do natywnego NL2SQL Aurabase, który tłumaczy pytanie na SQL po stronie serwera, sprawdza wygenerowane zapytanie (parsowanie SQL, odrzucenie sfałszowanych pól serwera) i ogranicza LIMIT przed wykonaniem. To nie ta sama cegła: punkt końcowy NL2SQL reaguje w jednej turze, z poręczami zainstalowanymi przy platformie; a LangChain lub LlamaIndex powody agenta w kilku etapach, z zabezpieczeniami do samodzielnego montażu.
W praktyce te dwa podejścia raczej się uzupełniają niż wykluczają: ograniczony punkt końcowy NL2SQL dla prostego pytania kierowanego do użytkownika końcowego, agent do wieloetapowego wnioskowania, który łączy w sobie kilka narzędzi wykraczających poza SQL.
LangChain, LlamaIndex, CrewAI, AutoGen w jednej tabeli
| Główny cel | Ogólna orkiestracja LLM | Ramy danych / RAG | Orkiestracja wieloagentowa według ról | Konwersacyjna orkiestracja wieloagentowa |
|---|---|---|---|---|
| Prymitywny agent | LangGraph (wykres stanu) | Przepływy pracy (kroki zdarzenia) | Załoga / Zadanie / Proces | AsystentAgent / Czat grupowy |
| Natywne połączenie SQL | Baza danych SQL + utwórz_sql_agent | Baza danych SQL + NLSQLTableQueryEngine | Brak (narzędzie zewnętrzne) | Brak (narzędzie zewnętrzne) |
| Wsparcie pgvector | langchain-postgres (PGVector) | sklepy z lamą-index-vector-postgres | Żaden rodzimy | Żaden rodzimy |
| Natywny multiagent | Nie (wielowęzłowy LangGraph) | Nie (przepływ jednego agenta) | Tak | Tak |
| Licencja | MIT | MIT | MIT | MIT (projekt badawczy Microsoftu) |
| ŁAŃCUCH JĘZYKA | LLAMAINDEX | CREWAI | AUTOGEN |
Podłącz LangChain lub LlamaIndex do standardowego backendu Postgres
Wystarczą trzy kroki, niezależnie od wybranego frameworka i nie są one zależne od żadnego konektora specyficznego dla platformy.
# 1. Pobierz ciąg połączenia projektu Postgres
# (Studio → Ustawienia → Połączenie lub dowolny zarządzany Postgres)
export AURA_DB_URL="postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
# 2. Zainstaluj sterownik SQL i wybrany framework
pip install langchain langchain-community langchain-openai psycopg2-binary
# lub po stronie LlamaIndex:
pip install llama-index llama-index-llms-openai psycopg2-binary
# 3. Utwórz dedykowaną rolę Postgres tylko do odczytu, jeśli agent powinien tylko odpytywać
CREATE ROLE agent_readonly LOGIN PASSWORD '***';
GRANT SELECT ON ALL TABLES IN SCHEMA project_<id> TO agent_readonly;
Trzeci krok ma większe znaczenie niż wybór ram. Rola Postgres ograniczona do naprawdę niezbędnych praw pozostaje jedynym niezawodnym zabezpieczeniem przed wygenerowanym żądaniem przekraczającym jej zakres, niezależnie od agenta je wykonującego. Zobacz dokumentację AI, aby zapoznać się z konfiguracją natywnych dostawców LLM Aurabase(OpenAI, Anthropic, Gemini), których można używać po stronie agenta.
Który wybrać według swojego projektu
Żadna struktura nie jest ściśle lepsza dla agenta połączonego z Postgres. Kontekst początkowy projektu jest bardziej decydujący niż lista funkcjonalności.
- LangChain: jeśli agent musi połączyć kilka heterogenicznych narzędzi (SQL, zewnętrzne API, wyszukiwarka internetowa) z precyzyjną kontrolą przepływu poprzez LangGraph i jeśli zespół ceni najszerszy ekosystem integracyjny na rynku.
- LlamaIndex: jeśli sercem projektu jest RAG lub wykonywanie zapytań dotyczących już zindeksowanych danych, przy silnym zapotrzebowaniu na łączniki źródłowe i model indeksu/zapytania, który pasuje bezpośrednio do przypadku użycia.
- CrewAI lub AutoGen dodatkowo: gdy tylko pojedynczy agent nie wystarczy i praca musi zostać rozdzielona pomiędzy kilka wyspecjalizowanych ról, powyżej jednego lub drugiego z dwóch frameworków danych.
Obydwa mogą również współistnieć w tym samym projekcie: silnik zapytań LlamaIndex udostępniony jako narzędzie w agencie LangGraph jest powszechnym wzorcem. Utrzymanie dwóch frameworków wiąże się z prawdziwymi kosztami złożoności, które należy porównać z korzyściami przed domyślnym przyjęciem.
Często zadawane pytania
Czy LangChain i LlamaIndex mogą modyfikować dane Postgres (INSERT, UPDATE, DELETE)?+
create_sql_agent po stronie LangChain, ani NLSQLTableQueryEngine po stronie LlamaIndex natywnie nie ograniczają zapytań tylko do odczytu. Prawdziwe zabezpieczenie pojawia się na poziomie Postgres: dedykowana rola aplikacji z GRANTami ograniczonymi do SELECT. Zobacz także przewodnik dotyczący zabezpieczania NL2SQL przed iniekcją SQL.