将数据库评分转化为强化学习奖励：使用 ThinkingBox 进行智能体后训练

import sqlite3
import os
from openai import OpenAI

# 初始化 OpenAI 客户端，指向高性能 LLM 聚合器
client = OpenAI(
    api_key=os.environ.get("N1N_API_KEY"),
    base_url="https://api.n1n.ai/v1"
)

def evaluate_sql_agent(query: str, expected_results: list) -> float:
    """
    在沙箱中执行智能体生成的 SQL 查询并进行评分。
    返回介于 0.0 和 1.0 之间的奖励分数。
    """
    try:
        conn = sqlite3.connect(":memory:")
        cursor = conn.cursor()
        
        # 创建演示用的模拟架构
        cursor.execute("CREATE TABLE users (id INT, name TEXT, score INT);")
        cursor.execute("INSERT INTO users VALUES (1, 'Alice', 95), (2, 'Bob', 80);")
        
        # 执行智能体查询
        cursor.execute(query)
        agent_results = cursor.fetchall()
        
        conn.close()
        
        # 基于结果的精确匹配进行打分
        if agent_results == expected_results:
            return 1.0
        else:
            return 0.2  # 对执行成功但结果不完全正确的输出给予部分奖励
            
    except Exception as e:
        # 语法错误或运行时失败的惩罚
        return 0.0

# 示例 Rollout 步骤
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个专家级 SQL 智能体。"},
        {"role": "user", "content": "编写一个 SQL 查询，选出所有分数大于 85 的用户。"}
    ]
)

sql_query = response.choices[0].message.content
expected = [(1, 'Alice', 95)]
reward = evaluate_sql_agent(sql_query, expected)

print(f"生成查询: {sql_query}")
print(f"计算得到的强化学习奖励: {reward}")