AI & Generative AI

SQL Agent

Data Mastery Series — Episode 55: สร้าง Agent คุยกับฐานข้อมูลได้เอง พร้อมวิเคราะห์และแก้ไขข้อผิดพลาด

20 Apr 20258 min readLangChainLangGraphRAGAI AgentDashboard

SQL Agent

Data Mastery Series — Episode 55: สร้าง Agent คุยกับฐานข้อมูลได้เอง พร้อมวิเคราะห์และแก้ไขข้อผิดพลาด

📌 Connect with me and follow our journey: Linkedin, Facebook

ในซีรีส์ Data Mastery เราได้เดินทางผ่านวิวัฒนาการของ RAG มาแล้วหลายตอน:

EP.50 — LangGraph Introduction: จาก LangChain → LangGraph
EP.51 — Agentic RAG: เปลี่ยน RAG ให้ “คิด” ได้
EP.52 — Adaptive RAG: ปรับ RAG ให้ “รู้จักประเมินสถานการณ์” ก่อนลงมือค้นข้อมูล
EP.53 — Corrective RAG: RAG ที่ “คิด” ก่อน “ตอบ” และ “แก้ไข” เมื่อผิดพลาด
EP.54— Self RAG: RAG ที่ “ประเมินตัวเอง” และ “ปรับปรุง” เพื่อผลลัพธ์ที่ดีกว่า

หลายคนอาจคุ้นเคยกับ RAG ที่ดึงข้อมูลจาก vector store แต่ถ้าข้อมูลอยู่ในรูปแบบ Structured Data เช่น SQL Database ล่ะ?

SQL Agent คือคำตอบ — เราจะใช้ LLM + LangGraph เพื่อสร้าง Agent ที่สามารถ:

วิเคราะห์คำถามจากผู้ใช้
เลือก table ที่เกี่ยวข้อง
อ่านโครงสร้าง schema
สร้าง SQL query อย่างถูกต้อง
ตรวจสอบและแก้ไข query หากมีข้อผิดพลาด
ตอบคำถามด้วยภาษามนุษย์อย่างแม่นยำ

🔁 กระบวนการทำงานของ SQL Agent

เพื่อให้เห็นภาพ เราจะเริ่มจากผลลัพธ์จริงที่ระบบตอบได้:

User question: Which music genre sold the most in 2009?
AI Answer: The music genre that sold the most in 2009 was Rock.

และรายละเอียดของ input และ output ในแต่ละ node

User question: Which music genre sold the most in 2009?

first_tool_call_step
Step 1: first_tool_call

Input:
'user: Which music genre sold the most in 2009?'
Output:
'Tool call to: sql_db_list_tables'

Step 2: list_tables_tool

Input:
'Tool call or system message'
Output:
('Album, Artist, Customer, Employee, Genre, Invoice, InvoiceLine, MediaType, Playlist, '
'PlaylistTrack, Track')

Step 3: model_get_schema

Input:
('Album, Artist, Customer, Employee, Genre, Invoice, InvoiceLine, MediaType, Playlist, '
'PlaylistTrack, Track')
Output:
"Tool calls to get schema of: ['Genre, InvoiceLine, Track']"

Step 4: get_schema_tool

Input:
'Tool call or system message'
Output:
[ '\n'
'CREATE TABLE "Genre" (\n'
'\t"GenreId" INTEGER NOT NULL, \n'
'\t"Name" NVARCHAR(120), \n'
'\tPRIMARY KEY ("GenreId")\n'
')\n'
'\n'
'/\n'
'3 rows from Genre table:\n'
'GenreId\tName\n'
'1\tRock\n'
'2\tJazz\n'
'3\tMetal\n'
'/\n'
...
]

query_gen_node_step
should_continue_step
Step 5: query_gen

Input:
[ '\n'
'CREATE TABLE "Genre" (\n'
'\t"GenreId" INTEGER NOT NULL, \n'
'\t"Name" NVARCHAR(120), \n'
'\tPRIMARY KEY ("GenreId")\n'
')\n'
'\n'
'/\n'
'3 rows from Genre table:\n'
'GenreId\tName\n'
'1\tRock\n'
'2\tJazz\n'
'3\tMetal\n'
'/\n'
...
]
Output:
'The music genre that sold the most in 2009 was Rock.'

##################################################
Summary

User question: Which music genre sold the most in 2009?
AI Answer: The music genre that sold the most in 2009 was Rock.
Route: start --> first_tool_call --> list_tables_tool --> model_get_schema --> get_schema_tool --> query_gen --> end
##################################################

เส้นทางของ Agent ที่เกิดขึ้นคือ:
start → first_tool_call→ list_tables_tool → model_get_schema → get_schema_tool → query_gen → end

⚙️ อธิบายการทำงานของแต่ละ Node ใน Workflow

Figure: SQL Agent Workflow

✅ Step 1: first_tool_call

หน้าที่: ให้ LLM เริ่มต้นโดย “เลือก” tool ที่จะใช้ก่อน เช่น sql_db_list_tables
📝 Input: "user: Which music genre sold the most in 2009?"
📤 Output:

Tool call to: sql_db_list_tables

วัตถุประสงค์:
รองรับการมีหลาย tools ในอนาคต เช่น web search, document retriever โดยให้ LLM ตัดสินใจเริ่มต้นเอง

✅ Step 2: list_tables_tool

หน้าที่: เรียก tool จริงเพื่อดึงรายชื่อตารางทั้งหมดในฐานข้อมูล
📝 Input: Tool call message
📤 Output:

'Album, Artist, Customer, Employee, Genre, Invoice, InvoiceLine, MediaType, Playlist, PlaylistTra

วัตถุประสงค์:
ให้ LLM เห็น context ว่ามีตารางใดบ้าง เพื่อวางแผนตอบคำถาม

✅ Step 3: model_get_schema

หน้าที่: ให้ LLM วิเคราะห์ชื่อ table แล้วเลือกว่าจะดู schema ของตารางไหน
📝 Input: รายชื่อตารางทั้งหมด
📤 Output:

Tool calls to get schema of: ['Genre', 'InvoiceLine', 'Track']

วัตถุประสงค์:
เลือกตารางที่เกี่ยวข้องกับคำถาม เช่น “แนวเพลง” → Genre, การขาย → InvoiceLine, เพลง → Track

✅ Step 4: get_schema_tool

หน้าที่: ดึง schema ของตารางที่เลือก (CREATE TABLE + ตัวอย่างข้อมูล)
📝 Input: Tool call เพื่อขอ schema
📤 Output:

ตัวอย่าง schema เช่น:

CREATE TABLE "Genre" (
"GenreId" INTEGER NOT NULL,
"Name" NVARCHAR(120),
PRIMARY KEY ("GenreId")
)

3 rows from Genre:
GenreId | Name
1 | Rock
2 | Jazz
3 | Metal

วัตถุประสงค์:
ให้ LLM เข้าใจความสัมพันธ์ของข้อมูลในฐานข้อมูล เช่น Genre → Track → InvoiceLine

✅ Step 5: query_gen

หน้าที่: LLM เขียน SQL query จาก schema และตอบคำถามเ
📝 Input: ข้อมูล schema ที่ได้จากขั้นตอนก่อนหน้า
📤 Output:

The music genre that sold the most in 2009 was Rock.

วัตถุประสงค์:
สร้างคำตอบแบบอัตโนมัติที่แม่นยำ และหากผิดพลาดจะมี mechanism ตรวจสอบและแก้ไข

🔄 กลไกเงื่อนไขนอกเหนือจาก node ข้างต้น

✅ should_continue

หลังจาก query_gen ทำงานเสร็จ ระบบจะส่ง state ไปให้ฟังก์ชัน should_continue() เพื่อ “ตัดสินใจเส้นทางถัดไป”

workflow.add_conditional_edges(
"query_gen", # Node ที่จะต่อเงื่อนไขจาก
should_continue, # ฟังก์ชันตัดสินว่าจะไป node ไหนต่อ
)

ผลลัพธ์ของ should_continue() จะบอกให้ไป Node ไหนต่อไป

def should_continue(state: State) -> Literal[END, "correct_query", "query_gen"]:
last_message = state["messages"][-1]
if getattr(last_message, "tool_calls", None):
return END
if last_message.content.startswith("Error:"):
return "query_gen"
else:
return "correct_query"

✅ หาก LLM เรียก tool ส่งคำตอบกลับแล้ว → ไป END
🔁 หากมี error หรือเนื้อหายังไม่สมบูรณ์ → วนไป correct_query หรือ query_gen เพื่อแก้ไข

🔧 correct_query

หน้าที่: ตรวจสอบ query ที่มีปัญหา เช่น syntax error หรือ logic ผิด
ให้ LLM วิเคราะห์แล้ว rewrite query ใหม่ให้ถูกต้อง

🔧 execute_query

หน้าที่: รัน SQL query ที่ผ่านการตรวจสอบแล้วจริงกับฐานข้อมูล
และส่งผลลัพธ์กลับมาให้ LLM สรุปคำตอบ

การสร้าง SQL Agent ด้วย LangGraph ไม่เพียงช่วยให้ LLM เข้าใจและโต้ตอบกับฐานข้อมูลได้อย่างแม่นยำ แต่ยังเปิดทางให้เราสร้างระบบที่ “เข้าใจบริบท”, “ตรวจสอบคำตอบได้” และ “แก้ไขตัวเองได้เมื่อผิดพลาด” กระบวนการทั้งหมดตั้งแต่การวิเคราะห์คำถาม → ดึง schema → สร้าง query → ตรวจสอบความถูกต้อง ไปจนถึงการตอบกลับในรูปแบบภาษามนุษย์ เป็นการผสานความสามารถของ LLM เข้ากับโครงสร้างข้อมูลแบบดั้งเดิมอย่างมีประสิทธิภาพ

ในตอนถัดไปของ Data Mastery Series เราจะพาไปสำรวจ Use Case ต่าง ๆ ของ SQL Agent ที่ได้รับการนำเสนอในเว็บไซต์ทางการของ LangGraph ฝากติดตามด้วยนะครับ ^__^

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)