AIGC 时代如何优雅地操作数据库：SQLite + Python 实战与 SQL Prompt Engineering

在传统软件开发中，数据库查询通常依赖 SQL------一门专业且严谨的查询语言。但在 AIGC（AI Generated Content）时代，我们终于可以用"自然语言"来操控数据，而不是死磕 SQL 语法。

尤其是在前后端快速迭代的今天，通过 LLM（大语言模型）生成 SQL，不但可以减少大量重复性工作，还能帮助初学者和非技术人员也能轻松操作数据库。

本文将以 SQLite + Python + DeepSeek Reasoner 为例，从以下几个角度展开：

• 为什么 SQLite 是本地项目的绝佳数据库选择
• 如何用 Python 创建与操作 SQLite
• 如何让大模型自动生成 SQL 查询
• 什么是 SQL Prompt Engineering（提示词工程）

1. SQLite：轻巧但强大的关系型数据库

SQLite 是一个嵌入式关系数据库，尤其适用于：

• 本地存储（如桌面应用、小游戏、工具类软件）
• 移动端（微信小程序和 APP 都大量使用 SQLite）
• 无需部署数据库服务的场景
• 轻量级原型项目

相比 MySQL 或 PostgreSQL，它没有独立进程，不需要服务启动，直接读写一个 .db 文件。

一句话总结：

SQLite 是"使用成本几乎为零"的本地关系数据库，非常适合 AIGC + 本地工具的组合。

2. Python 操作 SQLite：简单到极致

先创建一个 test2.db 数据库，并插入一些员工信息：

import sqlite3
conn = sqlite3.connect("test2.db"
cursor = conn.cursor()

cursor.execute("""
CREATE TABLE IF NOT EXISTS employees(
    id INTEGER PRIMARY KEY,
    name TEXT,
    department TEXT,
    salary INTEGER
)
""")
sample_data = [
    (6, "张三", "开发部", 32000),
    (7, "李四", "销售部", 20000),
    (8, "王五", "开发部", 33000),
    (9, "钱六", "销售部", 15000)
]
cursor.executemany('INSERT INTO employees VALUES(?, ?, ?, ?)', sample_data)
conn.commit()

这里用到的两个核心对象：

conn 数据库连接

负责和数据库建立连接，所有操作都必须依赖它。

cursor 游标

负责执行 SQL，如：

cursor.execute("SELECT * FROM employees")

3. 自动生成 SQL：让 AI 来写查询语句

AIGC 的能力开始发挥作用。

在实际开发中，SQL 语句常常又长又复杂。现在我们可以让大语言模型自动生成 SQL，只需要自然语言描述即可：

例如：

"开发部员工的姓名和工资是多少？"

我们需要给模型上下文，也就是数据库结构（schema）。

下面的代码用 PRAGMA 获取 SQLite 表结构：

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(schema_str)

生成类似结构：

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

---

4. SQL Prompt Engineering：最关键的一环

要让 AI 写出正确 SQL，最重要的不是模型，而是 Prompt（提示词）

一个好的 SQL Prompt 必须包含三要素：

1）数据库结构（schema）

告诉模型有哪些字段、类型是什么。

2）用户请求（自然语言查询）

如 "开发部员工姓名和工资是多少？"

3）严格的输出要求

避免出现解释、格式、注释等内容。

例如：

from openai import OpenAI
client = OpenAI(
    api_key='YOU_API_KEY',
    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，不要输出任何其他内容，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

最终调用：

question = "开发部部门员工的姓名和工资是多少？"
sql = ask_deepseek(question, schema_str)
print(sql)

模型可能返回：

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

5. 为什么 AIGC + SQL 是未来趋势？

传统 SQL 开发存在几个痛点：

• 字段名复杂易记错
• JOIN / GROUP / HAVING 很难写正确
• 初学者门槛高
• SQL 结构依赖经验

而 LLM 的出现解决了这些难题：

AI 理解自然语言

"查一下开发部工资最高的人"

AI 自动生成标准 SQL

SELECT name FROM employees WHERE department = '开发部' ORDER BY salary DESC LIMIT 1;

大幅提高开发效率

前端、运营、产品都能通过自然语言获取数据。

未来数据库操作的方式也许是这样的：

用户：查一下最近三个月销售部员工的平均薪资

AI：SQL 已生成，请确认是否执行？

6. 总结：这就是 AIGC + 数据库的新时代

本文完整展示了一套 AIGC 时代的数据操作流程：

• SQLite：零配置轻量数据库
• Python：快速编写数据脚本
• PRAGMA：结构 introspection
• DeepSeek：自然语言生成 SQL
• SQL Prompt Engineering：让生成更稳定

未来的数据库世界不会仅依赖 SQL 专家，更像是：

让 AI 当你的数据库助手，而你只需要告诉它需求。