Text2SQL零代码实战！RAGFlow 实现自然语言转 SQL 的终极指南

在企业大模型应用方面，Text2SQL一直是应用热点。大家都希望小嘴一张，就完成一系列数据提取和分析工作。

但是，使用大模型自动理解业务需求，实现 SQL 代码编写和代码执行一直都存在技术难点。传统的 Text2SQL 方案，往往依赖大模型微调，对于中小企业而言，带来非常高的应用成本。

今天，介绍一个方法，使用开源 RAG 框架RAGFlow，应用知识库检索与大模型推理结合，不需要对模型做任何微调，只需要仅需配置少量结构化数据即可实现精准SQL生成，实现指定数据查询、负责查询、计算，跨表计算等多种场景。

老习惯，先看效果，再看执行。

一、表内容和效果简单说明

我的数据库里存了四张表：用户表、制造商表、商品表和销售表。内容分别如下：

1-表明细查询测试

问题：请问商品智能手机 X 还剩多少库存。

难度分析：智能体需要理解问题所在的表，完成表格选择（商品表），字段查询（商品名称）和目标字段（库存）输出。

原表中符合要求的记录：

测试结果：通过，两条记录库存均完成识别和输出。

2-表明细查询和合并计算

问题：请问商品智能手机 X 还剩多少总库存。

难度分析：智能体需要理解问题所在的表，完成表格选择（商品表），字段查询（商品名称）和目标字段（库存）求和计算输出。

原表中符合要求的记录（同上）：

测试结果：通过，两条记录库存均完成识别，并对库存求和输出。

3- 跨表关联

问题：请问商品智能手机 X 的制造商是谁

难度分析：智能体需要理解问题所在的表，完成表格选择（商品表），字段查询（商品名称）和目标字段（制造商id）。并返回制造商表，使用制造商

id，提取制造商信息，再作输出。

原表中符合要求的记录：

测试结果：通过，两条智能手机 X 的制造商都是商家_001。

4- 复杂查询

问题：查询连续 3 个月销量下降的商品

难度等级：🌟🌟🌟🌟🌟

难度分析：智能体需要理解问题所在的表，完成表格选择（销售表），字段查询（商品名称）和目标字段（销量），进行复杂销量比对（连续 3

个月销量下降），并返回商品信息。

原表中符合要求的记录，分别有商品 1、2、4、5 这四个商品符合要求。

商品 1，8-10 月销量下滑。

商品 2，5-7 月销量下滑。

商品4，5-8 月销量下滑。

商品 5，4-6 月销量下滑。

测试结果：通过，4 个商品连续 3 个月销量下降，均被有效识别。

5- 指定要求复杂查询

问题：查询2024 年 4-6 月，连续 3 个月销量下降的商品

难度等级：🌟🌟🌟🌟🌟

难度分析：智能体需要理解问题所在的表，完成表格选择（销售表），字段查询（商品名称）和目标字段（销量），限定日期（4-6

月），进行复杂销量比对（连续 3 个月销量下降），并返回商品id。

原表中，只有商品5 符合要求。

测试结果：通过，商品5 ，被有效识别出。

6- 再上一点点难度

问题：查询2024 年 4-6 月，连续 3 个月销量下降的商品详细信息。

难度等级：🌟🌟🌟🌟🌟

难度分析：智能体需要理解问题所在的表，完成表格选择（销售表），字段查询（商品名称）和目标字段（销量），限定日期（4-6

月），进行复杂销量比对（连续 3 个月销量下降），并返回商品id，找到商品明细。

测试结果：通过。

接下来，手把手演示如何用RAGFlow搭建一个能理解业务需求的Text2SQL智能助手。

我所使用的 RagFlow 框架。感兴趣的可以自行安装。安装过程省略。

github 地址：https://github.com/infiniflow/ragflow/blob/main/README_zh.md

一、核心流程

这是官方教程提出的使用 RagFlow 解决 Text2SQL 的流程。

简单来说，就是我们准备好足够让大模型理解数据库内的表格、字段的知识库，以及理解从问题到 SQL 代表的问答方法。大模型就可以通过理解用户问题、查询知识库信息、形成 SQL 代码、并执行 SQL，完成从指定数据库里提取相关信息的工作。

官方教程地址：https://ragflow.io/blog/implementing-text2sql-with-ragflow

二、准备工作：3类核心知识库

关键点：Text2SQL的准确性取决于知识库质量，需提前准备以下数据（参考官方文档）

DDL知识库

作用：提供数据库表结构（如字段类型、主键约束）

示例：

c 复制代码

CREATE TABLE `users` (
  `id` INT NOT NULL AUTO_INCREMENT,
  `username` VARCHAR(50) NOT NULL,
  `password` VARCHAR(50) NOT NULL,
  `email` VARCHAR(100),
  `mobile` VARCHAR(20),
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_username` (`username`),
  UNIQUE KEY `uk_email` (`email`),
  UNIQUE KEY `uk_mobile` (`mobile`)
);

数据来源：从HuggingFace下载标准模板（后台私信"Text2SQL"提供）

2. DB Description知识库

c 复制代码

### 用户表（users）
用户表用于存储网站或应用的用户信息。以下是该表中每个字段的含义：
- `id`: 这是一个整数类型的自增字段，作为用户的唯一标识符（主键）。每次添加新用户时，该字段会自动增加，确保每个用户都有一个唯一的ID。
- `username`: 字符串类型，用于存储用户的用户名。用户名通常是用户登录时使用的唯一标识符。
- `password`: 字符串类型，用于存储用户的密码。出于安全考虑，密码在存储前应进行加密处理。
- `email`: 字符串类型，用于存储用户的电子邮件地址。电子邮件地址可以是用户的另一个登录凭证，并且用于接收通知或重置密码。
- `mobile`: 字符串类型，用于存储用户的手机号码。手机号码可用于登录、接收短信通知或进行身份验证。
- `create_time`: 时间戳类型，记录用户账户创建的时间。默认值为当前时间。
- `update_time`: 时间戳类型，记录用户信息最后更新的时间。每次更新用户信息时，该字段都会自动更新为当前时间。

作用：解释字段业务含义（如"order_date"代表订单创建时间）
示例：
数据来源：从HuggingFace下载标准模板（后台私信"Text2SQL"提供）

3. Q->SQL知识库

用户问题："查询2023年销量TOP10商品"
对应SQL：SELECT product, SUM(quantity) FROM sales WHERE YEAR(order_date)=2023 GROUP BY product ORDER BY SUM(quantity) DESC LIMIT 10;
作用：存储自然语言与SQL的映射样本。这个对最终 SQL 代码的可执行性影响至关重要。
示例：
数据来源：从HuggingFace下载标准模板（后台私信"Text2SQL"提供）

二、准备工作：3类核心知识库

步骤1：创建DB Assistant Agent

1.进入RAGFlow Agent工作台，选择内置DB Assistant模板

绑定目标数据库（支持MySQL/PostgreSQL等）

步骤2：配置知识库参数（核心！）

DDL 知识库配置：

使用 General 切割，块 Token 数选择 8，分段标识符为;。

当你看到知识库内的分块，已经实现一个表的建表语句一个块的时候，就代表配置成功了。

DSL 知识库配置：

同样使用 General 切割，但是块 Token 数选择 128，分段标识符为#。

当你看到知识库内的分块，已经实现一个表的表及字段说明一个块的时候，就代表配置成功了。

Q->SQL知识库配置：

这部分内容比较特殊，因为我们配置的知识库导入格式是 csv，这个 csv 里有两列内容，分别是 query 和 sql。例如：

所以，配置方法需要选择 Q&A。

当你看到知识库内的分块，已经实现Question 和 Answer 这样规律问答对的时候，就代表配置成功了。

步骤3：Agent 配置知识库

Agent 中的 DDL 选择数据库配置。

接下来，依次如法炮制。

步骤4：测试与优化

进入 Agent 平台，点击"运行"按钮，我们就可以进行问答测试了。

案例：用户提问"我们现在有多少个用户"

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

"最先掌握AI的人，将会比较晚掌握AI的人有竞争优势"。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？
大模型是怎样获得「智能」的？
用好 AI 的核心心法
大模型应用业务架构
大模型应用技术架构
代码示例：向 GPT-3.5 灌入新知识
提示工程的意义和核心思想
Prompt 典型构成
指令调优方法论
思维链和思维树
Prompt 攻击和防范
...

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
...

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名"AI小子"。那么你还想往下探索吗？

为什么要做 RAG
什么是模型
什么是模型训练
求解器 & 损失函数简介
小实验2：手写一个简单的神经网络并训练它
什么是训练/预训练/微调/轻量化微调
Transformer结构简介
轻量化微调
实验数据集的构建
...

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
...

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

Text2SQL零代码实战！RAGFlow 实现自然语言转 SQL 的终极指南

一、表内容和效果简单说明

一、核心流程

二、准备工作：3类核心知识库

二、准备工作：3类核心知识库

如何学习大模型 AI ？

第一阶段（10天）：初阶应用

第二阶段（30天）：高阶应用

第三阶段（30天）：模型训练

第四阶段（20天）：商业闭环

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】