企业级 Text-to-SQL 完整执行流程。
Text-to-SQL（也常被称为 NL2SQL）是一项将自然语言转换为结构化查询语言的技术。
简单来说，它就像一个"翻译官"，让你可以用大白话向数据库提问，系统会自动帮你写成数据库能听懂的 SQL 代码，然后查出结果。
你可以把这个流程直接作为开发蓝图，它涵盖了从用户提问到最终展示的全过程：
🚀 完整执行流程图解
非查询意图
查询意图
执行报错
是
否
执行成功
用户提问
意图识别与预处理
直接回复/闲聊
元数据检索
筛选出 Top-N 相关表结构
构建提示词与生成 SQL
沙箱试执行
重试次数 < 阈值?
收集错误信息 + 原始 SQL
返回错误提示
数据后处理与展示
📝 详细步骤拆解
第一步：意图识别与预处理
- 输入：用户自然语言（如"帮我查下张三上个月的销售业绩"）。
- 动作 ：
- 清洗：去除无意义字符。
- 分类 ：调用大模型判断意图。
- 如果是闲聊 （如"你好"、"你是谁"），直接由大模型回复，不进入数据库流程。
- 如果是查询，提取关键实体（如"张三"、"上个月"）。
- 目的：过滤无效请求，节省 Token，防止恶意注入。
第二步：元数据检索
- 输入：用户问题 + 实体。
- 动作 ：
- 不要把所有表都给大模型。
- 使用向量检索或关键词匹配，从你的数据库元数据（表名、字段名、注释）中，筛选出最相关的 3-5 张表。(在表名或者数据字段不多的情况下，也可以把所有sheet和字段名给大语言模型)
- 获取这些表的 DDL（建表语句）或 Schema 信息。
- 目的：减少噪声，降低 Token 成本，提高准确率。
第三步：提示词构建与 SQL 生成
- 输入：用户问题 + 筛选后的元数据 + 业务术语定义。
- 动作 ：
- 组装提示词（Prompt）： "你是一个 SQL 专家。根据提供的表结构 [Schema]，回答用户问题：[Query]。请只输出 SQL 语句。"
- 调用大模型生成 SQL。
- 输出：初步生成的 SQL 语句。
第四步：沙箱试执行
- 输入：生成的 SQL。
- 动作 ：
- 安全拦截 ：检查是否包含
DELETE,DROP,UPDATE等危险指令。如果是，直接拦截。 - 试跑：使用只读账号在数据库中执行该 SQL。
- 安全拦截 ：检查是否包含
- 结果分支 ：
- 成功：进入第五步。
- 失败 ：捕获数据库返回的错误信息（如
Error: Column 'sales_amt' not found）。
第五步：自我修正
- 触发条件：沙箱执行报错。
- 动作 ：
- 将"错误信息" + "原始 SQL" + "正确的表结构"再次喂给大模型。
- 提示词："刚才的 SQL 执行报错了：[Error Message]，请修正它。"
- 循环：重复"生成 -> 试执行"的过程（建议限制最多重试 2-3 次，防止死循环）。
第六步：数据后处理与展示
- 输入：查询成功的结果集（JSON/列表）。
- 动作 ：
- 格式化：将数据转换为前端易读的格式。
- 可视化推荐：根据数据特征（如时间序列、占比），自动推荐图表类型（折线图、饼图）。
- 输出：最终展示给用户的界面。
💡 核心优化点总结
- 不要全量投喂 ：一定要做元数据检索，只给大模型看相关的表。
- 一定要做沙箱 ：用只读账号试跑，既能验证 SQL 对错，又能防止删库。
- 允许犯错但要学会改 ：加入自我修正机制，利用数据库的报错信息来反向优化大模型的生成结果。
按照这个流程开发，你的系统就已经具备了成熟商业软件（如 SQLBot、Cirboot）的核心能力了。