Text2SQL、Text2API基础

你有一个能力超强但"不太懂行"的助手（大语言模型LLM）。它能说会道，知识渊博，但它：

不懂你的数据库： 不知道你的数据库里有哪些表，表里有哪些字段，这些字段代表什么意思。
不懂你的API： 不知道你的系统里有哪些可以调用的功能（API），这些功能需要什么参数（比如邮箱地址、城市名、日期）。

提示工程（Prompt Engineering） 就是教你如何给这个"超强助手"写一份清晰、详细的指令说明书（Prompt） ，让它能理解你的自然语言问题 ，并帮你完成特定的专业任务（写SQL查数据库、调用API）。

核心目标：把"人话"变成"机器能听懂的专业指令"

Text2SQL： 把"今年卖得最好的产品是啥？ " 变成 SELECT ... FROM ... WHERE ... 这样的数据库查询语句。
Text2API： 把"给老王发个邮件，告诉他明天下午3点开会 " 变成调用 send_email 这个接口，并填好 to=老王@公司.com, subject=会议提醒, content=明天下午3点开会... 这些参数。

python 复制代码

from langchain.utilities import SQLDatabase
from langchain.chains import SQLDatabaseChain
from langchain_community.llms import OpenAI
db = SQLDatabase.from_uri("sqlite:///sales.db")
llm = OpenAI(temperature=0)chain = SQLDatabase
Chain.from_llm(llm, db, verbose=True)
response = chain.run("2024年销售额超过100万的产品是什么？")

sql 复制代码

SELECT p.name, SUM(o.sales) AS total_sales  
FROM orders o  
JOIN products p ON o.product_id = p.id  
WHERE YEAR(o.date) = 2023  
GROUP BY p.id  
HAVING total_sales > 1000000;

关键秘诀：给助手"补课" (显式化领域知识)

LLM本身不懂你的业务细节。提示工程的核心就是通过Prompt把这些背景知识（领域知识） 明确地告诉它：

角色扮演： "嘿助手，你现在是一个数据库专家/API调用专家！"
知识注入：
- 对SQL： 把数据库的结构（Schema） 告诉它。比如：
  - 我们有个 orders 表，里面有 id, product_id, sales (销售额), date (日期)
  - 还有个 products 表，里面有 id, name (产品名), category (类别)
  - orders.product_id 对应着 products.id
- 对API： 把API文档 告诉它。比如：
  - 有个API叫 /send_email，需要用 POST 方法调用，需要提供 to (收件人邮箱), subject (邮件主题), content (邮件内容) 这三个参数。
  - 还有个API叫 /weather，需要用 GET 方法调用，需要提供 city (城市名), date (日期)。

一、 Text2SQL 深入浅出解析 (怎么让助手帮你查数据库？)

助手需要什么？
- 你的问题： "2024年销售额超过100万的产品是什么？"
- 数据库结构： 哪些表？哪些字段？它们啥关系？（Schema）
助手怎么做？ (提示工程的步骤)
1. 理解问题： 助手先看你的问题，找出关键信息（这叫实体识别、关系抽取、意图理解 ）。
  - 你要查什么？ -> 产品 (product)
  - 查哪个时间？ -> 2024年 (year=2024)
  - 查什么条件？ -> 销售额 (sales) 超过 (>) 100万 (1000000)
  - 怎么衡量？ -> 很可能是按产品汇总 (SUM(o.sales) 然后 GROUP BY p.id)
2. 对照数据库结构 (Schema绑定)： 助手拿着这些关键词，去对比你提供的Schema。
  - "销售额" -> 哦，在 orders 表里叫 sales。
  - "产品名" -> 在 products 表里叫 name。
  - orders 和 products 怎么关联？ -> 哦，通过 orders.product_id = products.id。
  - "2024年" -> orders 表里有个 date 字段，需要提取年份 YEAR(o.date) = 2024。
3. 组装SQL语句： 助手根据理解的信息和数据库结构，拼装出正确的SQL语句。
  sql 复制代码
```
SELECT p.name, SUM(o.sales) AS total_sales  -- 选出产品名，计算总销售额
FROM orders o                              -- 从订单表（起别名o）
JOIN products p ON o.product_id = p.id     -- 关联产品表（起别名p）
WHERE YEAR(o.date) = 2024                  -- 条件是2024年的订单
GROUP BY p.id                              -- 按产品分组
HAVING total_sales > 1000000;              -- 筛选总销售额大于100万的产品
```
4. 执行与反馈： 数据库运行这个SQL，把结果（产品列表）返回给你。如果SQL写错了（比如字段名不对），助手可能会尝试修正或者告诉你哪里出了问题（需要更好的Prompt或你提供更明确的信息）。
LangChain 帮了大忙：
- 它有个 SQLDatabaseChain 能自动连接到你的数据库 (db = SQLDatabase.from_uri("sqlite:///sales.db"))。
- 它能自动读取数据库结构（Schema）并塞进给LLM的Prompt里。
- 你只需要告诉LLM你的问题 (chain.run("2024年销售额超过100万的产品是什么？"))，它就能帮你完成上述所有步骤（理解->绑定->生成->执行->返回结果）。

二、 Text2API 深入浅出解析 (怎么让助手帮你调用接口？)

Text2API（文本转API调用）是一种将自然语言描述的用户需求自动转换为对应用程序接口（API）的调用请求的技术。

LangChain提供APIChain，支持将API文档（如OpenAPI/Swagger）嵌入提示词，引导大模型生成请求参数，可以支持多步骤调用（如先查询用户ID，再调用订单API）。

python 复制代码

from langchain.chains import APIChain
from langchain_community.llms import OpenAI

llm = OpenAI(temperature=0)

api_docs = """
API文档：
- 发送邮件：POST /send_email
  参数：to（收件人）, subject（主题）, content（内容）
- 查询天气：GET /weather
  参数：city（城市）, date（日期）
"""

chain = APIChain.from_llm_and_api_docs(llm, api_docs, verbose=True)
response = chain.run("给Allen发邮件，主题是会议提醒，内容为明天下午2点开会。")

如何实现Text2API？

通过自然语言处理技术进行语义解析（含意图识别、实体抽取、上下文理解），结合预加载的API文档信息，利用大语言模型（LLM）生成符合语法规范的API调用请求。

API目录管理：维护API文档（端点、参数、权限）。

例如：邮件API文档：POST /send_email 参数: to (str), subject (str), content (str) 权限: 需用户OAuth令牌
意图识别：模型解析用户指令，匹配目标API。

例如："给Allen发邮件，主题是项目开发进度，内容为'本周完成80%'" → 调用 /send_email。

参数填充：提取并验证参数（如邮箱、内容）。

json 复制代码

{
    "endpoint": "/send_email",
    "params": {"to": "[email protected]", "subject": "项目进度", "content": "本周完成80%"
}

执行与反馈：调用API并返回结果（成功/失败原因）。

助手需要什么？
- 你的指令： "给Allen发邮件，主题是会议提醒，内容为明天下午2点开会。"
- API菜单： 系统里有哪些接口？每个接口怎么用？需要啥参数？（API文档）
助手怎么做？ (提示工程的步骤)
1. 管理API目录： 你需要事先准备好一份清晰的"服务菜单"（API文档），告诉助手：
  - 有 /send_email 服务（POST方法），需要 to, subject, content 三个菜（参数）。
  - 有 /weather 服务（GET方法），需要 city, date 两个菜（参数）。
  - 可能还需要权限（比如登录令牌），但这篇文章例子没提。
2. 理解你想点哪道菜 (意图识别)： 助手看你的指令，找出你想做什么。
  - "发邮件" -> 这对应 /send_email 这个API。
3. 准备好配菜 (参数填充)： 助手从你的指令里找出做这道菜需要的材料（参数）。
  - to (收件人) 是谁？ -> "Allen" -> 需要转成邮箱地址（[email protected]）。（实际应用中，可能需要查通讯录API，这里简化了）
  - subject (主题) 是什么？ -> "会议提醒"。
  - content (内容) 是什么？ -> "明天下午2点开会"。
4. 下单并上菜 (执行与反馈)： 助手按照API文档的要求（方法、参数格式），调用 /send_email 接口，把参数传过去。接口执行后，告诉助手结果："邮件发送成功！" 或者 "失败，原因：收件人邮箱无效"。助手把这个结果告诉你。
LangChain 帮了大忙：
- 它有个 APIChain (chain = APIChain.from_llm_and_api_docs(llm, api_docs, verbose=True))。
- 你只需要把API文档 (api_docs) 提供给它，然后告诉它你的自然语言指令 (chain.run("给Allen发邮件..."))。
- 它能自动帮你完成：理解指令对应哪个API -> 提取需要的参数 -> 组装API调用请求 -> 调用API -> 返回结果。它甚至能处理需要多个API按顺序调用的复杂任务（比如先查用户ID，再用ID查订单）。

总结：

LLM (大模型)： 一个超级聪明但没学过你公司业务的新员工。
自然语言问题/指令： 你口头交代给新员工的任务（"查下今年最赚钱的产品"、"给老王发个会议通知"）。
Schema/API文档： 你给新员工看的公司业务手册/操作指南（数据库结构图、API使用说明书）。
Prompt (提示工程)： 你交代任务时说的完整、清晰、包含背景信息的话："小张（角色扮演），这是我们的销售数据库结构（知识注入），你帮我查一下（任务类型）...（具体任务描述）"。
SQL/API调用： 新员工看完手册，理解了你的话之后，亲手写好的查询语句/填好的系统操作单。
结果： 新员工把查询结果/操作结果汇报给你。

提示工程的核心价值就在于： 通过精心设计的Prompt（包含角色定义和领域知识），让原本"不懂行"的大模型助手，瞬间变成你业务领域的专家，准确地将你的"人话"需求转化为可执行的"机器指令"（SQL或API调用）。LangChain等工具则大大简化了这个过程。