自然语言转 SQL

让 Text2SQL 真正可用

很多 AI Agent 生成 SQL 时，只关注语法正确，却忽略了查询结果是否真正回答了业务问题。一条语法完美但答非所问的 SQL，比报错更危险，因为它会带着自信的假数字误导决策。此外，大库 Schema 往往超出上下文窗口，直接塞给大模型会导致幻觉字段和成本飙升；而纯靠模型自评 SQL 质量，准确率远不如真实执行一次。

核心流程与能力

本技能将自然语言转 SQL 拆为六个可校验的阶段，确保产出的 SQL 能跑通且答得对。

• 意图澄清：将模糊问句转为无歧义的意图卡，遇时间范围或业务口径缺失时主动追问。
• Schema 链接：先用只读账号提取元数据，再由大模型筛选出必需的表、列和连接键，避免上下文爆炸。
• 示例检索：从历史正确 SQL 中检索相似的问句-SQL对注入 Prompt，提升生成准确率。
• 生成与执行验证：组装上下文生成候选 SQL，并用只读账号真实执行。报错则回灌修正，跑通后还要检查结果量级和列数。
• 结果解读：将表格数据翻译回自然语言，而非直接抛出行数据。

适用边界与注意点

该技能适用于需要高准确率的即席查询和报表分析场景。但需注意，它依赖历史示例库的积累，冷启动时至少需要手写几条黄金示例。在生产环境中，必须严格遵守只读账号、强制 LIMIT 和数据脱敏规范。若自纠正达到最大轮次仍失败，必须如实告知用户，绝不伪造结果。