用 llm + SQLite 实现自然语言到 SQL 的智能转换：一个实战案例

在日常开发中，我们经常需要从数据库中查询数据。但对非技术人员来说，写 SQL 查询语句可能是个"噩梦"。而随着大模型的兴起，将自然语言直接转化为 SQL 查询已成为现实。

今天，我将结合 DeepSeek Reasoner 模型 和 SQLite 数据库 ，展示如何通过一段简单的 Python 代码，实现"你说中文，我出 SQL"的自动化能力。

🧩 项目目标

给定一个简单的员工信息表，用户输入自然语言问题（如："开发部门员工的姓名和工资是多少？"），程序自动解析并生成对应的 SQL 查询语句。

🔧 环境准备

我们使用轻量级的 SQLite 数据库，并接入 DeepSeek 的 API 来完成自然语言理解与 SQL 生成任务。

1. 创建数据库表

python 复制代码

import sqlite3

# 打开链接
conn = sqlite3.connect("test.db")
cursor = conn.cursor()

cursor.execute("""
CREATE TABLE IF NOT EXISTS employees(
    id INTEGER PRIMARY KEY,
    name TEXT,
    department TEXT,
    salary INTEGER
)
""")

✅ 这一步创建了一个名为 employees 的表，包含员工编号、姓名、部门和工资字段。

2. 插入测试数据

scss 复制代码

sample_data = [    (6, "王五", "开发部", 32000),    (7, "张三", "销售部", 20000),    (8, "老六", "开发部", 33000),    (9, "李四", "销售部", 15000)]

cursor.executemany("INSERT INTO employees VALUES(?,?,?,?)", sample_data)
conn.commit()

💡 插入了4条测试数据，涵盖两个部门：开发部和销售部。

3. 获取数据库 Schema

为了让 LLM 理解表结构，我们需要把表的 schema 提供给模型：

python 复制代码

# 通过 table_info 拿到 employees 表的描述
schema = cursor.execute("PRAGMA table_info(employees)").fetchall()
schema_str = "CREATE TABLE EMPLOYEES (\n" + "\n".join([f"{col[1]} {col[2]}" for col in schema]) + "\n)"
print("数据库Schema:")
print(schema_str)

输出结果类似：

sql 复制代码

CREATE TABLE EMPLOYEES (
id INTEGER
name TEXT
department TEXT
salary INTEGER
)

📌 这个 schema 将作为上下文传给 DeepSeek 模型，帮助它理解字段含义。

4. 调用 DeepSeek 生成 SQL

现在，我们调用 DeepSeek 的 API，让模型根据自然语言生成 SQL 查询。

ini 复制代码

from openai import OpenAI

client = OpenAI(
    api_key='',//这里写入自己的apikey
    base_url='https://api.deepseek.com/v1'
)

def ask_deepseek(query, schema):
    prompt = f"""这是一个数据库的Schema:
{schema}
根据这个Schema，你能输出一个SQL查询来回答以下问题吗？
只输出SQL查询，不要输出任何内容，也不要带任何格式。
问题:{query}
"""
    response = client.chat_completions.create(
        model="deepseek-reasoner",
        max_tokens=2048,
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    return response.choices[0].message.content

# 示例提问
question = "开发部门员工的姓名和工资是多少?"
sql = ask_deepseek(question, schema_str)
print("生成的sql查询：")
print(sql)

✅ 预期输出

运行上述代码后，你可能会得到如下 SQL 查询：

ini 复制代码

SELECT name, salary FROM employees WHERE department = '开发部';

🎉 完美！模型成功理解了"开发部门"对应的是 department = '开发部'，并返回了正确的字段选择。

🚀 技术亮点解析

特性	说明
自然语言 → SQL	利用 LLM 的理解能力，无需人工编写复杂查询
Schema 上下文注入	让模型知道表结构，避免误读字段名
轻量级部署	使用 SQLite，无需复杂数据库环境
可扩展性强	可轻松接入其他数据库或前端界面

🛠️ 应用场景建议

低代码平台：让用户用自然语言查询数据
内部报表工具：非技术人员也能快速获取数据
教学辅助：帮助学生理解 SQL 逻辑
自动化脚本：集成到工作流中，提升效率

📌 总结

通过本次实践，我们展示了如何利用 llm ，结合 SQLite 数据库，构建一个简单却强大的"自然语言转 SQL"系统。整个流程清晰、易于复现，适合初学者上手，也具备实际应用价值。