Bu gönderi Aurabase'nin Yerel AI panoramasının bir parçasıdır. Her iki çerçeve de bir veritabanına özel bir bağlayıcı sunmaz: Postgres bağlantısı her iki durumda da genel bir SQL sürücüsü (Python tarafında SQLAlchemy) ve standart bir bağlantı dizesi aracılığıyla gider. Bu, yönetilen herhangi bir Postgres için olduğu gibi Aurabase için de geçerlidir.
- LangChain: genel LLM düzenleme çerçevesi (zincirler, araçlar, bellek). Aracılar bugün
LangGrapharacılığıyla oluşturuluyor ve SQL, diğerleri arasında bir araç seti olarak değerlendiriliyor. - LlamaIndex: RAG için doğmuş ve yapılandırılmış kaynakları sorgulama veri çerçevesi. Yerel SQL motoru (
NLSQLTableQueryEngine),Workflowsmotoru aracılığıyla aracılar. - CrewAI ve AutoGen, LangChain/LlamaIndex'nin alternatifi değildir: bunlar, ikisinden birinin (veya şirket içi Python işlevinin) üstüne yerleştirilen çok aracılı orkestrasyon katmanlarıdır.
- Ne LangChain ne de LlamaIndex özel bir Postgres bağlayıcısı sunmaz: her ikisi de SQLAlchemy kullanır ve dahil edilen tüm yönetilen Postgres ve Aurabase ile uyumludur.
- Bu çerçeveler için bugüne kadar Aurabase paketli entegrasyon mevcut değil. Bağlantı, her proje tarafından kullanıma sunulan standart Postgres bağlantı dizesi aracılığıyla yapılır.
Farklı ihtiyaçlar için doğmuş iki çerçeve
LangChain ve LlamaIndex, ChatGPT'nin 2022'nin sonunda piyasaya sürülmesinin ardından aynı dönemde ortaya çıktı. Başlangıç noktaları önemli ölçüde farklı. LangChain bir LLM uygulamasını birleştirilebilir adımlar zinciri olarak modeller: bilgi istemi, model çağrısı, araç, bellek, tümü LCEL veya LangGraphgrafiği aracılığıyla birleştirilir.
LlamaIndex ilk veri modelleri: belgeler, düğümler, dizinler, sorgu motoru. VectorStoreIndex veya SQLDatabase birinci sınıf vatandaşlardır, genel bir aracıya eklenen araçlar değildir. Her ikisi de açık kaynaktır (MIT lisansı), Python ve TypeScript dillerinde mevcuttur ve bugün büyük ölçüde örtüşen bir kapsamı kapsamaktadır: aracılar, RAG, araç çağrısı, SQL bağlantısı.
Bu yakınlaşma, özellikler listesinden ziyade mimari açısından karşılaştırmayı daha kullanışlı hale getirir: her ikisi de neredeyse aynı şeyi yapabilir. Ne değişir, nasıl değişir.
Paket entegrasyon olmadan herkes Postgres'ye nasıl bağlanır?
LangChain tarafında, langchain_community.utilities.SQLDatabase modülü bir SQLAlchemy motorunu kapsüller. create_sql_agent aracısı daha sonra bunu bir dizi araç olarak kullanıma sunar: tabloları listelemek, bir şemayı tanımlamak, bir sorguyu yürütmek, yürütmeden önce bir sorguyu kontrol etmek.
from langchain_community.utilities import SQLDatabase
from langchain_community.agent_toolkits import create_sql_agent
from langchain_openai import ChatOpenAI
# Kanal Studio → Ayarlar → Bağlantı'dan alınır.
# search_path proje şemasına yönlendirir (bkz. SQLAlchemy/psycopg doc
# kullanılan sürücüye bağlı olarak "seçenekler" parametresinin tam kodlaması).
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 tarafında, eşdeğer soyutlama llama_index.core.SQLDatabase olup yine bir SQLAlchemy motoru üzerine kurulmuştur. NLSQLTableQueryEngine sorgu motoru, doğal dil sorusunu bir SQL sorgusuna çevirir, yürütür ve ardından sonucu yanıt olarak yeniden formüle eder.
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 ?")
Her iki alıntı da Aurabase öğesine bağlı değildir. Supabase, RDS veya kendi kendine barındırılan bir örnek için olduğu gibi, bir SQLAlchemy sürücüsü ve standart bir Postgres bağlantı dizesi yeterlidir.
LangGraph ve İş Akışları: bir aracıyı düzenlemenin iki yolu
LangChain ilk olarak klasik bir aracı döngüsü önerdi (AgentExecutor, ReAct modeli). Proje o zamandan bu yana aracılarını LangGraph yönünde birleştirdi: burada bir aracı, iki aşama arasında kontrol noktaları ve olası insan müdahalesi ile düğümlerin ve kenarların açık bir grafiği olarak temsil ediliyor.
LlamaIndex, Workflows ile yanıt verir: her adımın yazılan olayları yaydığı ve tükettiği olay odaklı bir düzenleme. Bir SQL veya vektör sorgu motoru, ek bir uyarlama katmanı olmadan doğrudan bir adım olarak bağlanır, çünkü bu motorlar zaten çerçevenin yerel ilkelleridir.
Postgres sorgulayan bir aracı için pratik fark şudur: LangGraph dallar üzerinde ayrıntılı kontrol sağlar ve bir SQL çağrısı etrafında yeniden denemeler yapar. LlamaIndex, soru ilk olarak çerçeve tarafından zaten indekslenmiş verilerle ilgili olduğunda daha az bağlantı kodu gerektirir.
Daha derine inin: Postgres aracısı için işlev çağırma eğitimi
LlamaIndex tarihi bir adım önde kalıyor
LlamaIndex en başından itibaren bir LLM'yi veri kaynaklarına bağlamak için bir bağlayıcı kataloğu (LlamaHub) ve içeriğin türüne bağlı olarak özel dizinler ile tasarlanmıştır. RAG, sonradan eklenen bir özellik değil, çerçevenin en doğrudan kullanım durumu olmaya devam ediyor.
LangChain, retrievers ve getirme zincirleri aracılığıyla aynı ihtiyacı, LangGraph ekosistemine eşit derecede olgun entegrasyonla karşılar. Fark, kapasiteden ziyade iş mantığının yaşadığı yerle ilgilidir: LlamaIndex tarafında dizine entegre edilmiştir, LangChain tarafında bir zincirde açıkça birleştirilmiştir.
Her ikisi de pgvector vektör tabanı olarak nasıl kullanılacağını biliyor: LlamaIndex tarafında llama-index-vector-stores-postgres, langchain-postgres paketinin LangChain tarafında PGVector sınıfı. Bir Aurabase projesinde, pgvector 0.8.6, Postgres kiracı görüntüsünde zaten mevcuttur: her iki paket de ayrı bir etkinleştirme adımı olmadan aynı bağlantı dizesiyle ona bağlanır.
Daha Derine Kazın: Postgres/pgvector RAG Boru Hattı İnşa Etmek
CrewAI ve AutoGen: tek bir aracı artık yeterli olmadığında
CrewAI rol başına birkaç aracıyı düzenler: her aracı bir hedef, bir bağlam (backstory) ve sırayla veya bir hiyerarşiye göre yürütülen Task ile Crew halinde gruplandırılmış araçlar alır. Bu, LangChain uzantısı değil, tam teşekküllü bir düzenleme çerçevesidir.
Bir Microsoft araştırma projesi olan AutoGen farklı bir yaklaşım benimsiyor: yalıtılmış bir ortamda kod yürütme becerisine sahip, birbirleriyle konuşan aracılar (AssistantAgent, UserProxyAgent, GroupChat). Koordinasyon, LangGraph gibi açık bir durum grafiğine değil, bir konuşmaya benziyor.
İkisi de veri bağlantı katmanının yerini almaz. Postgres okuması gereken bir CrewAI veya AutoGen aracısı, pratikte LangChain veya LlamaIndex ile oluşturulmuş bir SQL aracını veya psycopg2 etrafında basit bir Python işlevini çağırır. CrewAI ve AutoGen "veritabanının nasıl okunacağı" yerine "kim neyi ve hangi sırayla yapar" sorusunu yanıtlar.
İkisi de yerel olarak Postgres veritabanında ne yapmaz?
create_sql_agent ve NLSQLTableQueryEngine model tarafından oluşturulan sorguyu sağlanan bağlantıya göre yürütür. Varsayılan olarak döndürülen satır sayısını sınırlamaz veya bir yazma isteğini engellemez: gerçek korkuluk, bir çerçeve seçeneği değil, bağlantı dizesinde kullanılan Postgres rolüdür.
Bu, Aurabase'nin yerel NL2SQL ile yapısal bir farkıdır; sunucu tarafında bir soruyu SQL'e çevirir, oluşturulan sorguyu doğrular (SQL ayrıştırma, sahte sunucu alanlarının reddedilmesi) ve yürütmeden önce LIMIT'yi sınırlar. Bu aynı tuğla değil: NL2SQL uç noktası, platform tarafından kurulan korkuluklarla tek seferde yanıt verir; LangChain veya LlamaIndex temsilcisi, kendinizi toparlamak için gerekli önlemleri alarak birkaç aşamada mantık yürütür.
Uygulamada, iki yaklaşım birbirini dışlamak yerine birbirini tamamlar: son kullanıcıya sunulan basit bir soru için sınırlı bir NL2SQL uç noktası, SQL'in ötesinde çeşitli araçları birleştiren çok adımlı akıl yürütmeye yönelik bir aracı.
LangChain, LlamaIndex, CrewAI, AutoGen tek tabloda
| Ana amaç | Genel LLM orkestrasyonu | Veri çerçevesi / RAG | Rollere göre çoklu aracı orkestrasyonu | Konuşmaya dayalı çoklu aracı orkestrasyonu |
|---|---|---|---|---|
| İlkel ajan | LangGraph (durum grafiği) | İş akışları (olay adımları) | Mürettebat / Görev / Süreç | AsistanAgent / Grup Sohbeti |
| Yerel SQL bağlantısı | SQLVeritabanı + create_sql_agent | SQLVeritabanı + NLSQLTableQueryEngine | Yok (harici araç) | Yok (harici araç) |
| pgvector desteği | langchain-postgres (PGVector) | lama-index-vektör-mağazalar-postgres | Yerli yok | Yerli yok |
| Yerel çoklu aracı | Hayır (çok düğümlü LangGraph) | Hayır (tek aracılı akış) | Evet | Evet |
| Lisans | MİT | MİT | MİT | MIT (Microsoft Araştırma projesi) |
| LANZİNCİRİ | LLAMANDEX | CREWAI | OTOJEN |
LangChain veya LlamaIndex'yi standart bir Postgres arka ucuna takın
Seçilen çerçeve ne olursa olsun üç adım yeterlidir ve platforma özgü herhangi bir bağlayıcıya bağlı değildir.
# 1. Projenin Postgres bağlantı dizesini alın
# (Studio → Ayarlar → Bağlantı veya yönetilen herhangi bir Postgres)
export AURA_DB_URL="postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
# 2. SQL sürücüsünü ve seçilen çerçeveyi yükleyin
pip install langchain langchain-community langchain-openai psycopg2-binary
# veya LlamaIndex tarafında:
pip install llama-index llama-index-llms-openai psycopg2-binary
# 3. Aracının yalnızca yoklama yapması gerekiyorsa salt okunur, özel bir Postgres rolü oluşturun
CREATE ROLE agent_readonly LOGIN PASSWORD '***';
GRANT SELECT ON ALL TABLES IN SCHEMA project_<id> TO agent_readonly;
Üçüncü adım çerçeve seçiminden daha önemlidir. Gerçekten gerekli haklarla sınırlı bir Postgres rolü, onu yürüten aracıya bakılmaksızın, kapsamını aşan oluşturulan bir isteğe karşı tek güvenilir koruma olmaya devam ediyor. Aracı tarafında kullanılabilen Aurabase yerel LLM sağlayıcılarının (OpenAI, Anthropic, Gemini) yapılandırması için AI belgelerine bakın.
Projenize göre hangisini seçmelisiniz
Her iki çerçeve de Postgres'ye bağlı bir aracı için kesinlikle üstün değildir. Projenin başlangıç bağlamı, işlevler listesinden daha belirleyicidir.
- LangChain: Aracının çeşitli heterojen araçları (SQL, harici API'ler, web araması) LangGraph aracılığıyla akışın hassas kontrolüyle birleştirmesi gerekiyorsa ve ekip piyasadaki en geniş entegrasyon ekosistemine değer veriyorsa.
- LlamaIndex: Projenin kalbi RAG veya zaten indekslenmiş verilerin sorgulanmasıysa, kaynak bağlayıcılara ve doğrudan kullanım senaryosuna uyan bir indeks/sorgu modeline güçlü bir ihtiyaç varsa.
- CrewAI veya AutoGen ek olarak: tek bir aracı artık yeterli olmadığında ve işin iki veri çerçevesinden birinin veya diğerinin üzerinde birkaç özel rol arasında dağıtılması gerektiğinde.
İkisi aynı projede bir arada da bulunabilir: LangGraph aracısında bir araç olarak kullanıma sunulan LlamaIndex sorgu motoru ortak bir kalıptır. İki çerçeveyi sürdürmenin, varsayılan olarak benimsenmeden önce kazanca karşı tartılması gereken gerçek bir karmaşıklık maliyeti vardır.
SSS
LangChain ve LlamaIndex, Postgres verilerini değiştirebilir mi (INSERT, UPDATE, DELETE)?+
create_sql_agent ne de LlamaIndex tarafındaki NLSQLTableQueryEngine yerel olarak salt okunur sorguları kısıtlamaz. Gerçek koruma Postgres düzeyinde ortaya çıkar: GRANT'ların SELECT ile sınırlı olduğu özel bir uygulama rolü. Ayrıca NL2SQL'in SQL enjeksiyonuna karşı güvenliğinin sağlanmasına ilişkin kılavuza bakın.