Files

2026-06-24 09:53:18 +08:00

2.2 KiB

Raw Blame History

title, date

title	date
Text To SQL开发	2026-06-09

一、工作流程

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

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

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

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

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

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。

2.2 KiB Raw Blame History Unescape Escape