我会把它设计成一个 Text-to-SQL Agent。用户输入自然语言问题后，Agent 首先会理解用户的查询意图，例如要查什么指标、时间范围、筛选条件以及按什么维度统计。如果用户的问题不够明确，比如只说"查一下最近的销售情况"，Agent 会先追问用户，确认"最近"是多久、"销售情况"指销售额还是订单数，避免直接生成错误的 SQL。
当查询条件明确后，Agent 会根据用户的问题，从数据平台的元数据中找到相关的数据表、字段、表之间的关联关系以及业务口径。例如统计销售额时，需要知道应该使用哪个金额字段、是否只统计已支付订单、退款订单是否需要排除。然后将这些信息和用户问题一起交给大模型，让大模型生成对应的 SQL。
SQL 生成后不会马上执行，而是先进行检查。首先检查 SQL 语法以及表名、字段名是否正确；其次进行安全和权限检查，只允许执行 SELECT 查询，禁止 DELETE、UPDATE、DROP 等操作；同时限制查询超时时间、最大返回行数和扫描数据量。数据库连接也会使用只读账号，防止 Agent 修改业务数据。
检查通过后，系统执行 SQL。如果执行时出现字段不存在、类型不匹配等错误，可以将错误信息和正确的表结构重新提供给大模型，让它在限定次数内自动修复 SQL。执行成功后，Agent 会把数据库返回的数据整理成用户容易理解的自然语言、表格或者图表，同时展示实际执行的 SQL，方便用户核对。
在实现上，我不会一开始就拆成很多 Agent，而是先使用一个 Agent 配合多个工具，例如元数据检索工具、SQL 生成工具、SQL 校验工具和只读查询工具。Agent 负责判断下一步应该追问用户、生成 SQL、修复 SQL，还是返回结果。整套 Text-to-SQL 的操作流程和业务规则也可以封装成一个 Skill，供 Agent 按照统一规范执行。
最后，我会重点评估三个方面：第一是查询结果是否正确，而不仅是 SQL 能不能运行；第二是业务指标口径是否准确；第三是权限和数据安全是否得到保证。这样做出来的才是一个可以真正接入数据平台使用的自然语言查询 Agent。