أتولييه
دورة

Text-to-SQL sur SQLite avec garde-fous

Construire avec Google ADK un analyste qui transforme des questions en français en SQL lecture seule, contrôlé par SQLite lui-même, puis le mesurer sur 15 questions de référence.

متقدم 5 دروس 3h

بقلم Youcef

حالات الاستخدام📊 Analyser des données en langage naturel
المنصات🛠️ Google ADK (Agent Development Kit)🔑 Gemini API (Google AI Studio)
ابدأ الدورة
التقدّم 0% · 0/5

هذا المحتوى غير مترجم بعد. تُعرض النسخة الأصلية.

« Combien de commandes livrées en septembre ? » : la question est simple, la requête SQL aussi. Laisser un LLM écrire ce SQL et l'exécuter sur une vraie base, en revanche, demande des précautions : le modèle peut se tromper de table, inventer une colonne, ou se faire manipuler pour lire une table sensible ou supprimer des données.

Dans ce lab, vous construisez un analyste text-to-SQL (texte vers SQL : le modèle traduit une question en langage naturel en requête SQL) avec Google ADK (Agent Development Kit, le framework d'agents open source de Google) et Gemini. La sécurité ne repose pas sur la bonne volonté du modèle : elle est appliquée par le code et par SQLite.

Ce que vous construisez

  • une base SQLite de ventes 100 % fictive (60 clients, 12 produits, 400 commandes) qui contient aussi une table sensible, comptes_internes, que l'agent ne doit jamais lire ;
  • un module garde_fous.py à quatre couches : contrôle du texte, autorisateur SQLite (liste blanche de tables et d'actions), connexion en lecture seule, LIMIT forcé et délai maximal ;
  • un agent ADK à un seul outil, executer_sql, qui valide la requête avant exécution, se corrige après un refus et explique son résultat ;
  • une évaluation par exécution sur 15 questions de référence, plus 2 questions pièges, lancée pour de vrai.
flowchart LR
  U["Question en français"] --> A["Agent ADK (Gemini)"]
  A -->|"requete SQL"| T["executer_sql"]
  subgraph G["garde_fous.py"]
    direction TB
    V1["1. Texte : SELECT ou WITH, une requête"] --> V2["2. Autorisateur : tables et actions permises"]
    V2 --> V3["3. Connexion mode=ro"]
    V3 --> V4["4. LIMIT 50 et délai 2 s"]
  end
  T --> G
  G --> DB[("ventes.db")]
  G -->|"lignes ou erreur"| A
  A --> R["Réponse + SQL + explication"]

Pour qui ?

  • Développeurs et analystes à l'aise avec Python et le SQL de base (SELECT, JOIN, GROUP BY).
  • Vous avez déjà vu un agent ADK simple (par exemple dans Construire un agent IA de A à Z).

Prérequis

  • Python 3.10 ou plus récent, pip install -r files/requirements.txt (google-adk 2.10.0).
  • Une clé d'API Gemini (créée dans Google AI Studio) dans GOOGLE_API_KEY, avec GOOGLE_GENAI_USE_VERTEXAI=FALSE. Les tests automatiques, eux, tournent sans clé.

Programme

ModuleLeçonCe que vous faites
1. Cas d'usage et architectureText-to-SQL : promesse et risquesCartographier les risques et choisir où placer chaque garde-fou
2. Construire pas à pasLa base et les garde-fousBase fictive, autorisateur SQLite, lecture seule, LIMIT forcé
L'agent ADK et son outilInstruction avec schéma, outil executer_sql, explication du résultat
3. Tester, évaluer, exploiterTests sans clé et évaluation sur 15 questionsFaux modèle, pytest, exactitude par exécution
Exploiter en confianceadk web, journal d'audit, passage à une vraie base

En local ou sur Google Cloud ?

Tout ce lab tourne en local : SQLite est un fichier, l'agent appelle Gemini avec une simple clé d'API. Pour la même idée sur un entrepôt de données dans le cloud, suivez le lab Analyste BigQuery, où les garde-fous deviennent un dry-run et un plafond d'octets facturés.

Le code

Tout est dans files/ : agent.py, garde_fous.py, creer_base.py, evaluer.py, questions_reference.json et test_text_to_sql.py.

الموارد

تنزيل الكل (.zip)

المراجع