feat:增加TextToSql文档

docs/.vitepress/theme/router/index.ts

@@ -57,6 +57,7 @@ export const routers = [
         text: '🤖 AI',
         items: [
           { text: '基于Langchain的Agent开发', link: '/Web/AI/Langchain' },    
+          { text: 'Text To SQL开发', link: '/Web/AI/TextToSQL' },  
         ]
       },
       { 

docs/Web/AI/Langchain.md

@@ -172,3 +172,71 @@ agent.stream({"messages": [message]},
 ```
 
   调用模型的时候需要传递`thread_id`。    
+::: tip
+通常还需要构建一个`用户-问题标题`的数据库，方便查询用户的所有历史回答。     
+问题标题可以再调一次模型总结。   
+:::
+
+# 七、实战
+## 7.1 后端
+```python
+async def query_agent(request: ChatRequest):
+    try:
+        message = HumanMessage(content=request.message)
+
+        # 流式调用Agent
+        for chunk, metadata in agent.stream(
+                {"messages": [message]},
+                {"configurable": {"thread_id": request.thread_id}},
+                stream_mode="messages"
+        ):
+            if isinstance(chunk, AIMessageChunk) and chunk.content:
+                yield chunk.content
+
+        # 总结对话标题并保存
+        if not exists_session(request.thread_id, request.username):
+            title = generate_title(get_messages(request.thread_id))
+            save_session(request.thread_id, request.username, title)
+
+    except Exception as e:
+        print(f"\n[错误]: {str(e)}")
+        yield "信息检索失败，请重新输入问题提问"
+
+
+@router.post("/chat/stream")
+async def chat_endpoint(request: ChatRequest):
+    """流式对话"""
+    return StreamingResponse(
+        query_agent(request),
+        media_type="text/event-stream"
+    )       
+```
+
+## 7.2 前端
+```typescript
+const sendMessage = async () => {
+  try {
+    const response = await fetch(
+        "/chief-agent-api/chat/stream",
+        {
+          method: "POST",
+          headers: { "Content-Type": "application/json" },
+          body: JSON.stringify(message)
+        }
+    );
+
+    const reader = response.body!.getReader();
+    const decoder = new TextDecoder("utf-8");
+    let aiText = "";
+
+    while (true) {
+      const { value, done } = await reader.read();
+      if (done) break;
+
+      aiText += decoder.decode(value, { stream: true });
+    }
+  } finally {
+    loading = false;
+  }
+};
+```

docs/Web/AI/TextToSql.md

@@ -0,0 +1,103 @@
+---
+  title: Text To SQL开发
+  date: 2026-06-09
+---
+
+# 一、工作流程
+```plain
+用户自然语言问题
+        ↓
+【大模型】生成 SQL
+        ↓
+【数据库】执行 SQL → 得到结构化结果
+        ↓
+【大模型】分析 / 解读 / 总结 / 可视化建议
+        ↓
+最终返回给用户（文字、结论、图表说明）
+``` 
+
+# 二、实战
+## 2.1 获取数据库结构
+```python
+db = SQLDatabase.from_uri(os.getenv("DB_URL"), include_tables=['table_1', 'table_2'])
+table_info = db.get_table_info()
+```
+
+::: warning
+这里的数据库账号只能为只读权限。   
+:::
+
+## 2.2 SQL提示词
+```python
+from langchain_core.prompts import PromptTemplate
+
+SQL_PROMPT = PromptTemplate.from_template(
+    """
+你是一个 MySQL 专家。
+请根据用户问题生成一条可执行的 MySQL 查询语句。
+只返回 SQL，不要解释，不要加 ```。
+
+数据库结构：
+{schema}
+
+数据库补充：
+{option}
+
+用户问题：
+{question}
+"""
+)
+```
+
+  数据库结构就是刚才生成的`table_info`，数据库补充就是对一些关系表的说明和字段含义的解释等。   
+
+## 2.3 生成SQL
+```python
+sql = chat_model.invoke(
+    SQL_PROMPT.format(schema=table_info, option=option, question=request.message)
+).content.strip()
+```
+
+  这里的`chat_model`为`init_chat_model`构建的大模型。   
+
+## 2.4 执行SQL
+```python
+from sqlalchemy import create_engine
+from sqlalchemy import text
+
+engine = create_engine(
+    os.getenv("DB_URL"),
+    pool_pre_ping=True,
+)
+
+conn = engine.connect()
+
+
+def is_select(sql: str) -> bool:
+    return sql.lower().lstrip().startswith("select")
+
+def execute_sql(sql: str):
+    if not is_select(sql):
+        raise ValueError("只允许 SELECT 查询")
+
+    result = conn.execute(text(sql))
+    rows = result.fetchall()
+    columns = result.keys()
+    return {
+        "columns": list(columns),
+        "rows": rows
+    }
+```
+  使用sqlalchemy执行SQL，并加入了安全校验。   
+
+## 2.5 分析数据
+```python
+agent = create_agent(
+    model=chat_model,
+    system_prompt=SYSTEM_PROMPT.format(question=request.message, result=result),
+)
+
+response = agent.invoke({"message": HumanMessage(content=request.message)})
+```
+
+  这里的系统提示词根据情况编写。