Text2SQL ：用自然语言操作 SQLite 数据库

摘要： Text2SQL 的核心，是让大模型根据数据库 Schema，把自然语言转换成 SQL，再交给数据库执行。本文用 SQLite 搭建一个最小 Demo，跑通查询、新增、修改以及多表 JOIN。

1. Text2SQL 是什么

平时查询数据库需要自己写 SQL：

ini 复制代码

SELECT name, salary
FROM employees
WHERE department = '工程';

有了 Text2SQL，用户可以直接说：

复制代码

工程部门员工的姓名和工资是多少？

系统完成：

sql 复制代码

自然语言
   ↓
LLM 生成 SQL
   ↓
SQLite 执行 SQL
   ↓
返回数据

所以 Text2SQL 本质就是：

自然语言 → SQL

2. 用 SQLite 准备数据库

SQLite 是一个文件型关系数据库，不需要单独启动数据库服务。

Python 可以直接使用：

ini 复制代码

import sqlite3

conn = sqlite3.connect("test.db")
cursor = conn.cursor()

这里：

sql 复制代码

conn   → 数据库连接
cursor → 执行 SQL

创建员工表：

python 复制代码

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

然后批量插入数据：

scss 复制代码

sample_data = [    (6, "黄佳", "销售", 50000),    (7, "宁宁", "工程", 75000),    (8, "千千", "销售", 60000),    (9, "岳岳", "工程", 80000),    (10, "黄仁", "市场", 55000)]

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

conn.commit()

这就是当前 Demo 的基础数据库。

3. 为什么必须把 Schema 给模型

如果只问模型：

复制代码

工程部门员工的姓名和工资是多少？

它并不知道数据库中：

复制代码

员工表叫 employees
姓名字段叫 name
工资字段叫 salary
部门字段叫 department

所以需要把数据库 Schema 一起给它。

SQLite 可以通过：

scss 复制代码

schema = cursor.execute(
    "PRAGMA table_info(employees)"
).fetchall()

获取表结构，再整理成：

sql 复制代码

CREATE TABLE employees (
    id INTEGER,
    name TEXT,
    department TEXT,
    salary INTEGER
)

当前 Demo 就是通过 PRAGMA table_info() 自动获取 Schema。

于是模型真正接收到的是：

diff 复制代码

Schema
+
用户问题

这才有足够的信息生成正确 SQL。

4. 实现 Text2SQL

核心函数其实很简单：

ini 复制代码

def ask_deepseek(query, schema):
    prompt = f"""
    这是一个数据库的Schema：
    {schema}

    根据这个Schema，请输出一个SQL查询来回答以下问题。
    只输出SQL查询语句本身，不要使用Markdown格式。

    问题：{query}
    """

    response = client.chat.completions.create(
        model="deepseek-v4-flash",
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": prompt
        }]
    )

    return response.choices[0].message.content

也就是：

markdown 复制代码

question + schema
       ↓
      LLM
       ↓
      SQL

例如：

ini 复制代码

question = "工程部门员工的姓名和工资是多少？"

sql_query = ask_deepseek(
    question,
    schema_str
)

模型生成：

ini 复制代码

SELECT name, salary
FROM employees
WHERE department = '工程';

再执行：

scss 复制代码

results = cursor.execute(sql_query).fetchall()

就完成了一次完整的 Text2SQL 查询。

5. 不只是查询，还能修改数据库

因为模型最终生成的是 SQL，所以它不仅能生成 SELECT。

例如：

复制代码

在销售部门增加一个新员工，
姓名为张三，工资为45000

模型可以生成：

sql 复制代码

INSERT INTO employees
(name, department, salary)
VALUES ('张三', '销售', 45000);

执行：

scss 复制代码

cursor.execute(sql_query)
conn.commit()

更新也是一样：

复制代码

将千千的工资调整为55000

生成：

ini 复制代码

UPDATE employees
SET salary = 55000
WHERE name = '千千';

所以整个流程始终没有变化：

sql 复制代码

自然语言
→ SQL
→ 数据库执行

6. 多表 Text2SQL

Demo 后面又增加了一张部门表：

bash 复制代码

departments
├── id
├── name
└── manager

这时候就不能只把 employees 的 Schema 给模型了，而是要把整个数据库结构都提供进去。

例如：

scss 复制代码

employees(...)
departments(...)

当前 Demo 已经通过循环自动获取两张表的 Schema。

于是对于：

复制代码

列出每个部门的员工人数和平均工资

模型可以生成 JOIN：

sql 复制代码

SELECT
    d.name,
    COUNT(e.id),
    AVG(e.salary)
FROM departments d
LEFT JOIN employees e
    ON d.name = e.department
GROUP BY d.id, d.name;

这时 Text2SQL 就从：

复制代码

单表查询

进一步发展到了：

sql 复制代码

理解多个表
→ 判断表之间的关系
→ 生成 JOIN

7. 最后理解整条链路

到目前这个 Demo，其实只需要记住：

scss 复制代码

SQLite
  ↓
保存真实数据

PRAGMA table_info()
  ↓
获取 Schema

Schema + 用户问题
  ↓
LLM

SQL
  ↓
cursor.execute()

数据库查询 / 修改

所以：

SQLite 负责存储和执行 SQL，Text2SQL 负责把自然语言转换成 SQL。

而随着数据库越来越复杂，Text2SQL 真正的难点也会逐渐从"会不会写 SQL"，变成：

模型是否真正理解数据库 Schema、字段含义以及表之间的关系。