基于AI Text2SQL的数据可视化方案

该数据可视化方案基于 AI Text2SQL 技术，实现自然语言到 SQL 查询的智能转换，使用户无需编写 SQL 语句即可获取和分析数据。用户只需输入查询需求，AI 便能自动解析意图，生成 SQL 并执行查询，最终通过图表、仪表盘等多种可视化方式直观呈现数据。方案支持自适应图表推荐，极大降低数据分析门槛，提高决策效率，适用于业务分析、数据监控等场景。

视频演示：www.bilibili.com/video/BV1bU...

功能演示：xryder.cn 智能监控

该方案使用的是技术栈是:Java 21 + Spring AI + 智普AI 的在线API。

实现思路

首先需要根据输入的问题，判断是否是数据分析类问题，这里将问题输入大模型，让大模型判断是否是数据分析类问题，返回1或者0，通过提示词和示例来让大模型返回1或者0。
如果是数据分析类问题，再将问题和提供的数据库表 元数据信息（表名，表的描述，字段名，字段类型和字段描述） 作为prompt提供给大模型，期间要求大模型只输出SQL。如果大模型返回内容包含md的SQL代码格式，则需要先处理一下：

java 复制代码

// 清理 SQL 的方法
private String cleanSql(String sql) {
    return sql.replaceAll("```", "").replace("sql", "").trim();
}

通过SQL获取查询语句返回的字段：

java 复制代码

import jakarta.persistence.EntityManager;
import jakarta.persistence.PersistenceContext;
import jakarta.persistence.Query;

@PersistenceContext
private EntityManager entityManager;
...
public List<String> getReturnFields(String sql) {
    // 初始化返回字段列表
    List<String> fieldNames = new ArrayList<>();

    // 使用 Hibernate Session 获取 Connection
    Session session = entityManager.unwrap(Session.class);

    session.doWork(connection -> {
        try (PreparedStatement statement = connection.prepareStatement(sql)) {
            ResultSetMetaData metaData = statement.getMetaData();
            if (metaData != null) {
                int columnCount = metaData.getColumnCount();
                for (int i = 1; i <= columnCount; i++) {
                    fieldNames.add(metaData.getColumnName(i));
                }
            }
        }
    });

    return fieldNames;
}

执行查询语句，封装返回的结果、SQL语句和字段信息。如果执行SQL失败，需要增加SQL重试机制，将错误信息和SQL语句提供给大模型，重新生成SQL，再执行。
根据返回结果让大模型判断选择使用哪种图表进行展示。
根据查询结果让大模型做个总结summary。
封装最终结果返回给前端
前端根据提供的数据和图表进行可视化渲染。

整个过程期间需要调用多次大模型，其中有些步骤需要对大模型返回的数据做结构化生成。比如第一个问题分类，需要大模型只返回0或者1。

代码示例

结构化输出（问题分类）：

java 复制代码

record QuestionType(Integer type, String description) {
}

//问题分类
public Integer getQuestionType(String question) {
    String template = """
            请将问题按以下类别进行分类。
            1: 数据分析类问题
            2: 其他类型问题
            问题如下：
            {question}
            
            以下是具体交互示例：
            - **问答示例**：
            用户：统计最近14天每天的阅读量是多少？
            你的回答：1
            
            用户：最受欢迎的文档是什么？
            你的回答：1
            
            用户：你是谁？
            你的回答：2
            """;
    PromptTemplate promptTemplate = new PromptTemplate(template);
    Prompt prompt = promptTemplate.create(Map.of("question", question));

    return Objects.requireNonNull(normalChatClient.prompt()
            .system("你非常擅长对用户问题进行分类，可以将问题打上类别标签")
            .user(prompt.getContents())
            .call()
            .entity(QuestionType.class)).type;
}

这是一个让大模型推荐图表的功能：

java 复制代码

public String getChartType(String question, String data) {
    String template = """
            请根据问题和数据推荐一个合适的用于展示该数据的图表, 只需要给出图表类型的英文名称。
            
            问题如下:
                            
            {question}
            
            数据如下：
            
            {data}
            
            可选择的图表类型如下：
            
            Area, Line, Bar, Radar
            
            以下是一个具体示例：
            问题：统计最近30天每天的网站访问量
            你的回答：Line
            """;
    PromptTemplate promptTemplate = new PromptTemplate(template);
    Prompt prompt = promptTemplate.create(Map.of("question", question, "data", data));
    return normalChatClient.prompt()
            .user(prompt.getContents())
            .call().content();
}

其中关键部分是提供数据库表元数据信息给到大模型，这样大模型才可能正确生成SQL。

后记

经常看到很多人用大模型做数据分析，将一个excel表格直接扔给大模型，让大模型去做统计。如果excel数据量少还可以，数据量多了之后，效果就不行了。这个中间其实需要增加一步，生成python代码或者SQL语句的方式将问题转化为可执行的脚本，运行脚本之后，让大模型根据执行结果来回答问题，这样效果更好。再结合函数调用，可以拓展更多的使用场景。

关于大模型做数据分析和其他可用场景，欢迎大家一起交流讨论！