LangGraph Postgres Energy Data

Este proyecto utiliza LangGraph para construir un flujo de trabajo que permite consultar una base de datos PostgreSQL con datos de consumo energético. Se implementa un agente basado en LangChain que clasifica la intención del usuario, genera consultas SQL relevantes y proporciona respuestas explicativas.

🚀 Características

• Clasificación de intención: Determina si la consulta requiere acceso a la base de datos o una respuesta general.
• Generación de SQL: Construcción dinámica de consultas SQL basadas en el input del usuario.
• Ejecución de consultas: Conexión a PostgreSQL y recuperación de datos.
• Explicación de resultados: Generación de una descripción comprensible de la consulta y los resultados.
• Interacción con LLMs: Uso de ChatOpenAI para procesamiento de lenguaje.

📁 Estructura del Proyecto

langgraph-postgres-energy-data/
│── agent/
│   ├── configuration.py   # Configuración del agente
│   ├── state.py           # Definición de estados y router
│   ├── prompts.py         # Definición de model prompts
│   ├── utils.py           # Funciones auxiliares
│   ├── graph.py           # Definición del grafo de ejecución
│── requirements.txt       # Dependencias del proyecto
│── README.md              # Documentación del proyecto

⚙️ Instalación

git clone https://github.com/tuusuario/langgraph-postgres-energy-data.git
cd langgraph-postgres-energy-data
python -m venv venv
source venv/bin/activate  # En Windows usa `venv\Scripts\activate`
pip install -e .

🛠️ Configuración

Necesitas crear un archivo .env con las siguientes variables.

# This file contains environment variables for the project.
OPENAI_API_KEY="openai_key" #depracated
# Database configuration
DB_USER="username"
DB_PASSWORD="passoword"
DB_HOST="host"
DB_PORT="port"
DB_NAME="database"
DB_SCHEMA="schema"

BASE_URL = "ollama url"

🏗️ Uso

Deploy Streamlit APP:

streamlit run src/app.py

Deploy Langgraph Studio:

langgraph dev

🧩 Funcionamiento

1. Clasificación de intención: Se analiza la consulta del usuario para determinar si es general o requiere una consulta SQL.
2. Validación de tabla: Se identifica la tabla relevante (building_energy_consumption).
3. Selección de columnas: Se filtran las columnas necesarias para responder la consulta.
4. Generación de SQL: Se construye la consulta SQL basada en el input del usuario.
5. Ejecución en PostgreSQL: Se conecta a la base de datos y obtiene los resultados.
6. Generación de explicación: Se genera una descripción en lenguaje natural del resultado.

📝 Notas

• Seguridad: No expongas credenciales de la base de datos en código.
• Extensibilidad: Se pueden agregar más tablas o mejorar el enrutamiento de consultas.
• Integración con APIs: Se puede conectar con otros servicios para ampliar su funcionalidad.

📜 Licencia

Este proyecto está bajo la licencia MIT. Consulta el archivo LICENSE para más detalles.