我要投稿

DeepSeek与NL2SQL的完美结合：如何让数据库查询变得前所未有的简单

发布日期：2025-02-14 09:27:16 浏览次数： 2214 来源：HELLO程序员

深耕AGI！！！！！

研究的越深越来越发现AI正在慢慢的影响着各行各业的人。因此我们做了些什么？

我们开源了一个Java的NL2SQL框架，我们一起来看看！

SuperSQL

中国人自己的生成式SQL Java框架！轻量，易用，易扩展!

今天，我们非常激动地向大家介绍一款全新的Java框架——SuperSQL 。这款框架专为简化复杂的数据库查询过程而设计，旨在让开发者和用户能够通过简单的自然语言描述获取所需数据。

Super-Sql 简介

Super-Sql 是一个基于国内外先进生成式大模型的Java框架，专注于将数据库表结构通过检索增强生成（RAG, Retrieval-Augmented Generation）技术进行训练，从而实现从自然语言文本到SQL查询的智能转换（Text to SQL）。该框架旨在简化复杂的数据库查询过程，使开发者和用户能够通过简单的自然语言描述获取所需数据。

主要特性包括：

生成式SQL
利用强大的生成式大模型，自动将自然语言问题转化为精确的SQL查询语句。
RAG训练
通过检索增强生成技术对数据库表结构进行深度学习训练，提高SQL生成的准确性和效率。
类型安全与灵活易用
结合Java的泛型机制确保编译期类型检查，同时提供简洁直观的API设计，易于集成到现有项目中。
多数据库支持
兼容多种主流数据库系统，满足不同应用场景的需求。
性能优化
经过精心设计与调优，在保证高效执行的同时保持良好的可读性。

Super-Sql 适用于希望在Java应用程序中快速、安全地进行复杂数据库操作，并且希望通过自然语言处理技术为传统企业应用快速实现AI赋能的场景。

Super-Sql 工作原理

Super-Sql 的工作原理基于 RAG 技术，通过检索增强生成技术对数据库表结构进行深度学习训练，从而实现从自然语言文本到SQL查询的智能转换。具体来说，当用户提供一段自然语言描述时，框架会首先解析这段描述，并根据预训练的模型生成相应的SQL查询语句。这些查询语句可以进一步用于实际的数据库操作。

快速入门指南

想要快速上手？只需几个步骤即可开始您的SuperSQL之旅：

导入Super-Sql的工程

git clone https://gitee.com/guocjsh/supersql-open.git#进入super-sql-console工程

配置Super-Sql的配置文件

配置init-train配置项，默认为false，表示不进行训练，如果为true，则自动根据数据库连接配置进行全表训练。

super-sql:
  init-train: false

大语言模型配置

Azure OpenAI

<!--spring ai azure openai 模型--><dependency>    <groupId>org.springframework.ai</groupId>    <artifactId>spring-ai-azure-openai-spring-boot-starter</artifactId></dependency>

Azure的配置文件如下：

spring:  ai:    azure:      openai:        api-key: xxxxxxxxxxxxxx        chat:          options:            deployment-name: gpt-4o-latest        endpoint: https://your-resource-name.openai.azure.com/        embedding:          options:            deployment-name: embedding-ada-002

请求调用Text To SQL示例：

//使用azure的Chat模型
private final AzureOpenAiChatModel azureChatModel;

private final SpringSqlEngine sqlEngine;

private final SpringVectorStore store;

@GetMapping("getSuperSql")
public Object getSuperSql(@RequestParam String question) {
    String sql = sqlEngine.setChatModel(azureChatModel).generateSql(question);
    Object object = sqlEngine.executeSql(sql);
    return object;
}

Ollama

添加Ollama的Spring AI依赖：

<!--spring ai azure ollama-->
<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>

Ollama的配置文件如下：

让我们来试一下最热的DeepSeek模型

spring:  ai:    ollama:      base-url: http://localhost:11434      chat:        options:          model: deepseek-r1:32b          temperature: 0.7      embedding:        options:          model: mxbai-embed-large      init:        pull-model-strategy: never        embedding:          additional-models:            - mxbai-embed-large

embedding模型配置：

spring:  ai:    ollama:      embedding:        options:          model: mxbai-embed-large      init:        pull-model-strategy: never        embedding:          additional-models:            - mxbai-embed-large

参考修改Embedding模型https://ollama.com/search?c=embedding

请求调用Text To SQL示例：

//使用azure的Chat模型
private final OllamaChatModel chatModel;

private final SpringSqlEngine sqlEngine;

private final SpringVectorStore store;

@GetMapping("getSuperSql")
public Object getSuperSql(@RequestParam String question) {
    String sql = sqlEngine.setChatModel(chatModel).generateSql(question);
    Object object = sqlEngine.executeSql(sql);
    return object;
}

向量数据库配置

Chroma

安装chroma环境

pip install chromadbchroma run

看到这个界面chromadb启动成功

<!--spring ai chroma 的向量数据库--><dependency>    <groupId>org.springframework.ai</groupId>    <artifactId>spring-ai-chroma-store-spring-boot-starter</artifactId></dependency>

参考Spring AI Vector Databases

https://docs.spring.io/spring-ai/reference/1.0/api/vectordbs.html

请求结果返回示例

训练指定内容

强化训练数据库的DDL语句

@GetMapping("trainDdl")    public String trainDDl() {        String ddl = """                 CREATE TABLE `dtp_hospital` (                 	`id` BIGINT NOT NULL COMMENT '主键',                 	`province` VARCHAR ( 20 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '省份',                 	`city` VARCHAR ( 20 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '城市',                 	`reporting_team` VARCHAR ( 50 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '提报团队',                 	`district` VARCHAR ( 20 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '区',                 	`hospital_name` VARCHAR ( 100 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '申请的DTP药房 主要对应的医院名称',                 	`hospital_code` VARCHAR ( 50 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '申请DTP主要对应的医院code',                 	`hospital_address` VARCHAR ( 255 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '医院具体地址',                 	`location` VARCHAR ( 100 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '医院所在经纬度',                 	`del_flag` INT NULL DEFAULT 0 COMMENT '删除状态 0正常 1已删除',                 	`create_by` VARCHAR ( 32 ) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL COMMENT '创建人',                 	`create_time` datetime NULL DEFAULT NULL COMMENT '创建时间',                 	`update_by` VARCHAR ( 32 ) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL COMMENT '更新人',                 	`update_time` datetime NULL DEFAULT NULL COMMENT '更新时间',                 	`image` VARCHAR ( 255 ) CHARACTER SET utf8 COLLATE utf8_unicode_ci NULL DEFAULT NULL COMMENT '图片',                 	PRIMARY KEY ( `id` ) USING BTREE )                 	ENGINE = INNODB CHARACTER SET = utf8 COLLATE = utf8_unicode_ci COMMENT = '医院表' ROW_FORMAT = Dynamic;                """;        sqlEngine.setChatModel(azureChatModel).train(TrainBuilder.builder().content(ddl).policy(TrainPolicyType.DDL).build());        return "successful training";    }

单独训练指定SQL

@GetMapping("trainSql")    public String trainSql() {        String sql="SELECT * FROM DTP_HOSPITAL WHERE DISTRICT LIKE '%黄浦区%';";        String question="在黄浦区的医院有哪些？";        sqlEngine.setChatModel(azureChatModel).train(TrainBuilder.builder().content(sql).question(question).policy(TrainPolicyType.SQL).build());        return "successful training";    }

启动SuperSQL控制台项目

启动Super-Sql控制台的Spring Boot项目：

导入Super-Sql UI项目到VSCode：

npm installnpm run dev

访问：http://localhost:5173/chat

数据库中执行的效果

SuperSQL官方文档

访问：http://www.ai-space.com.cn/

参考文档

Spring-Ai的官方文档：https://docs.spring.io/spring-ai/docs/getting-started

代码托管

Gitee：https://gitee.com/guocjsh/supersql-open

更详细的介绍与案例分析

Super-Sql 在实际项目中的应用

在实际项目中，Super-Sql 可以极大地简化开发人员的工作流程。例如，在一个医疗信息管理系统中，开发者可以通过简单的自然语言描述来获取特定医院的数据，而不必手动编写复杂的SQL查询语句。以下是一个具体的案例分析：

假设我们需要查询位于“黄浦区”的所有医院的信息，传统的做法是编写如下的SQL查询语句：

SELECT * FROM DTP_HOSPITAL WHERE DISTRICT LIKE '%黄浦区%';

而在使用 Super-Sql 后，开发者只需输入自然语言描述：“在黄浦区的医院有哪些？”框架会自动生成上述的SQL查询语句并执行，最终返回所需的数据。这不仅提高了开发效率，还减少了出错的可能性。

Super-Sql 的高级功能

除了基本的SQL查询转换，Super-Sql 还提供了许多高级功能，以满足不同的业务需求：

强化训练数据库的DDL语句：通过提供完整的DDL语句，Super-Sql 可以更好地理解数据库的结构，从而生成更准确的SQL查询语句。
单独训练指定SQL：对于一些特殊的SQL查询，开发者可以通过指定具体的SQL语句和问题描述来进行训练，提升生成的准确性。
与向量数据库的无缝集成：Super-Sql 支持与Chroma等向量数据库的无缝集成，进一步增强了其在复杂查询场景中的表现。

性能优化与可扩展性

为了确保在大规模数据集上的高效执行，Super-Sql 进行了多项性能优化措施。其中包括：

批量处理：通过将大量文档分解成较小的批次，确保每个批次不超过模型的最大上下文窗口大小，从而避免因单次请求过多导致的错误或截断问题。
API速率限制管理：合理安排API调用频率，充分利用API速率限制，提高整体执行效率。

此外，Super-Sql 提供了高度可扩展的设计，允许开发者根据具体需求定制和扩展框架的功能，满足多样化的应用场景。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业