AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


Text2SQL零代码实战!RAGFlow 实现自然语言转 SQL 的终极指南

发布日期:2025-03-16 05:44:22 浏览次数: 1568 来源:木乐乐的异想世界
推荐语

轻松实现自然语言到SQL的转换,无需微调大模型,RAGFlow带你走进Text2SQL的高效应用。

核心内容:
1. Text2SQL在企业级应用中的挑战与成本问题
2. RAGFlow框架:无需微调,配置少量数据实现精准SQL生成
3. 实际案例分析:多场景下的SQL查询与执行效果展示

杨芳贤
53A创始人/腾讯云(TVP)最具价值专家

“无需微调大模型,3步搭建企业级Text2SQL应用,让数据库“听懂人话”!”


在企业大模型应用方面,Text2SQL一直是应用热点。大家都希望小嘴一张,就完成一系列数据提取和分析工作。

但是,使用大模型自动理解业务需求,实现 SQL 代码编写和代码执行一直都存在技术难点。传统的 Text2SQL 方案,往往依赖大模型微调,对于中小企业而言,带来非常高的应用成本。


今天,介绍一个方法,使用开源 RAG 框架RAGFlow,应用知识库检索与大模型推理结合,不需要对模型做任何微调,只需要仅需配置少量结构化数据即可实现精准SQL生成,实现指定数据查询负责查询计算跨表计算等多种场景。


老习惯,先看效果,再看执行。

一、表内容和效果简单说明

我的数据库里存了四张表:用户表、制造商表、商品表和销售表。内容分别如下:

1-表明细查询测试

问题:请问商品 智能手机 X 还剩多少库存。

难度分析:智能体需要理解问题所在的表,完成表格选择(商品表),字段查询(商品名称)和目标字段(库存)输出。

原表中符合要求的记录:

Image

测试结果:通过,两条记录库存均完成识别和输出。

Image


2-表明细查询和合并计算

问题:请问商品 智能手机 X 还剩多少库存。

难度分析:智能体需要理解问题所在的表,完成表格选择(商品表),字段查询(商品名称)和目标字段(库存)求和计算输出。

原表中符合要求的记录(同上):

Image

测试结果:通过,两条记录库存均完成识别,并对库存求和输出。

Image


3- 跨表关联

问题:请问商品 智能手机 X 的制造商是谁

难度分析:智能体需要理解问题所在的表,完成表格选择(商品表),字段查询(商品名称)和目标字段(制造商id)。并返回制造商表,使用制造商 id,提取制造商信息,再作输出。

原表中符合要求的记录:

Image
Image

测试结果:通过,两条智能手机 X 的制造商都是商家_001。

Image

4- 复杂查询

问题:查询连续 3 个月销量下降的商品

难度等级:?????

难度分析:智能体需要理解问题所在的表,完成表格选择(销售表),字段查询(商品名称)和目标字段(销量),进行复杂销量比对(连续 3 个月销量下降),并返回商品信息。

原表中符合要求的记录,分别有商品 1、2、4、5 这四个商品符合要求。

商品 1,8-10 月销量下滑。

Image

商品 2,5-7 月销量下滑。

Image

商品4,5-8 月销量下滑。

Image

商品 5,4-6 月销量下滑。

Image


测试结果:通过,4 个商品连续 3 个月销量下降,均被有效识别。

Image

5- 指定要求复杂查询

问题:查询2024 年 4-6 月,连续 3 个月销量下降的商品

难度等级:?????

难度分析:智能体需要理解问题所在的表,完成表格选择(销售表),字段查询(商品名称)和目标字段(销量),限定日期(4-6 月),进行复杂销量比对(连续 3 个月销量下降),并返回商品id。

原表中,只有商品5 符合要求。

Image

测试结果:通过,商品5 ,被有效识别出。

Image

6- 再上一点点难度

问题:查询2024 年 4-6 月,连续 3 个月销量下降的商品详细信息。

难度等级:?????

难度分析:智能体需要理解问题所在的表,完成表格选择(销售表),字段查询(商品名称)和目标字段(销量),限定日期(4-6 月),进行复杂销量比对(连续 3 个月销量下降),并返回商品id,找到商品明细。

Image

测试结果:通过。

Image


接下来,手把手演示如何用RAGFlow搭建一个能理解业务需求的Text2SQL智能助手。


我所使用的 RagFlow 框架。感兴趣的可以自行安装。安装过程省略。

github 地址:https://github.com/infiniflow/ragflow/blob/main/README_zh.md


一、核心流程

这是官方教程提出的使用 RagFlow 解决 Text2SQL 的流程。

简单来说,就是我们准备好足够让大模型理解数据库内的表格、字段的知识库,以及理解从问题到 SQL 代表的问答方法。大模型就可以通过理解用户问题、查询知识库信息、形成 SQL 代码、并执行 SQL,完成从指定数据库里提取相关信息的工作。

Image

官方教程地址:https://ragflow.io/blog/implementing-text2sql-with-ragflow

二、准备工作:3类核心知识库

关键点:Text2SQL的准确性取决于知识库质量,需提前准备以下数据(参考官方文档 )

DDL知识库

作用:提供数据库表结构(如字段类型、主键约束)

示例

CREATE TABLE `users` (
  `id` INT NOT NULL AUTO_INCREMENT,
  `username` VARCHAR(50NOT NULL,
  `password` VARCHAR(50NOT NULL,
  `email` VARCHAR(100),
  `mobile` VARCHAR(20),
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_username` (`username`),
  UNIQUE KEY `uk_email` (`email`),
  UNIQUE KEY `uk_mobile` (`mobile`)
);

数据来源:从HuggingFace下载标准模板(后台私信“Text2SQL”提供)

  1. 2. DB Description知识库
    ### 用户表(users)
    用户表用于存储网站或应用的用户信息。以下是该表中每个字段的含义:
    - `id`: 这是一个整数类型的自增字段,作为用户的唯一标识符(主键)。每次添加新用户时,该字段会自动增加,确保每个用户都有一个唯一的ID。
    - `username`: 字符串类型,用于存储用户的用户名。用户名通常是用户登录时使用的唯一标识符。
    - `password`: 字符串类型,用于存储用户的密码。出于安全考虑,密码在存储前应进行加密处理。
    - `email`: 字符串类型,用于存储用户的电子邮件地址。电子邮件地址可以是用户的另一个登录凭证,并且用于接收通知或重置密码。
    - `mobile`: 字符串类型,用于存储用户的手机号码。手机号码可用于登录、接收短信通知或进行身份验证。
    - `create_time`: 时间戳类型,记录用户账户创建的时间。默认值为当前时间。
    - `update_time`: 时间戳类型,记录用户信息最后更新的时间。每次更新用户信息时,该字段都会自动更新为当前时间。
  • 作用:解释字段业务含义(如“order_date”代表订单创建时间)
  • 示例

数据来源:从HuggingFace下载标准模板(后台私信“Text2SQL”提供)

  1. 3. Q->SQL知识库
  • 用户问题:“查询2023年销量TOP10商品”
  • 对应SQL:SELECT product, SUM(quantity) FROM sales WHERE YEAR(order_date)=2023 GROUP BY product ORDER BY SUM(quantity) DESC LIMIT 10;
  • 作用:存储自然语言与SQL的映射样本。这个对最终 SQL 代码的可执行性影响至关重要。
  • 示例

数据来源:从HuggingFace下载标准模板(后台私信“Text2SQL”提供)


二、准备工作:3类核心知识库

步骤1:创建DB Assistant Agent

  1. 进入RAGFlow Agent工作台,选择内置DB Assistant模板
Image


  1. 绑定目标数据库(支持MySQL/PostgreSQL等)
Image


步骤2:配置知识库参数(核心!

DDL 知识库配置:

使用 General 切割,块 Token 数选择 8,分段标识符为;

Image

当你看到知识库内的分块,已经实现一个表的建表语句一个块的时候,就代表配置成功了。

Image


DSL 知识库配置:

同样使用 General 切割,但是块 Token 数选择 128,分段标识符为#

Image

当你看到知识库内的分块,已经实现一个表的表及字段说明一个块的时候,就代表配置成功了。

Image


Q->SQL知识库配置:

这部分内容比较特殊,因为我们配置的知识库导入格式是 csv,这个 csv 里有两列内容,分别是 query 和 sql。例如:

Image

所以,配置方法需要选择 Q&A

Image

当你看到知识库内的分块,已经实现Question 和 Answer 这样规律问答对的时候,就代表配置成功了。

Image

步骤3:Agent 配置知识库

Agent 中的 DDL 选择数据库配置。

Image

接下来,依次如法炮制。

Image
Image


步骤4:测试与优化

进入 Agent 平台,点击“运行”按钮,我们就可以进行问答测试了。

案例:用户提问“我们现在有多少个用户”

Image


好的,以上就是所有的执行步骤和过程了。


如果有不了解的地方,欢迎评论区留言交流。


附录:

1-用户表

用户表用于存储网站或应用的用户信息。

Image

以下是该表中每个字段的含义:

  • id: 这是一个整数类型的自增字段,作为用户的唯一标识符(主键)。每次添加新用户时,该字段会自动增加,确保每个用户都有一个唯一的ID。
  • username: 字符串类型,用于存储用户的用户名。用户名通常是用户登录时使用的唯一标识符。
  • password: 字符串类型,用于存储用户的密码。出于安全考虑,密码在存储前应进行加密处理。
  • email: 字符串类型,用于存储用户的电子邮件地址。电子邮件地址可以是用户的另一个登录凭证,并且用于接收通知或重置密码。
  • mobile: 字符串类型,用于存储用户的手机号码。手机号码可用于登录、接收短信通知或进行身份验证。
  • create_time: 时间戳类型,记录用户账户创建的时间。默认值为当前时间。
  • update_time: 时间戳类型,记录用户信息最后更新的时间。每次更新用户信息时,该字段都会自动更新为当前时间。


2-商家表

商家表用于存储销售商品的商家信息。

Image

以下是该表中每个字段的含义:

  • id: 这是一个整数类型的自增字段,作为商家的唯一标识符(主键)。
  • name: 字符串类型,用于存储商家的名称或品牌名。
  • description: 文本类型,用于存储商家的详细描述,可能包括商家简介、服务内容、联系方式等。
  • email: 字符串类型,用于存储商家的电子邮件地址,可以用于联系商家。
  • mobile: 字符串类型,用于存储商家的联系电话。
  • address: 字符串类型,用于存储商家的地址信息。
  • create_time: 时间戳类型,记录商家账户创建的时间。
  • update_time: 时间戳类型,记录商家信息最后更新的时间。

这些表的设计是相互关联的,例如,商品表中的merchant_id字段将商品与商家表中的特定商家关联起来。


3-商品表

商品表用于存储可供购买的商品信息。

Image
  • id: 这是一个整数类型的自增字段,作为商品的唯一标识符(主键)。
  • name: 字符串类型,用于存储商品的名称。
  • description: 文本类型,用于存储商品的详细描述,可能包括规格、特点、使用说明等。
  • price: 小数类型,用于存储商品的价格。这里的格式设置为最多10位数字,其中2位是小数。
  • stock: 整数类型,用于存储商品的库存数量。
  • category_id: 整数类型,用于存储商品所属类别的ID。这个字段可以与一个商品分类表关联,以实现商品分类。
  • merchant_id: 整数类型,用于存储销售该商品的商家的ID。该字段是一个外键,指向商家表中的相应记录。
  • create_time: 时间戳类型,记录商品创建的时间。
  • update_time: 时间戳类型,记录商品信息最后更新的时间。

4-销售表

销售表(sales)是电商系统的核心业务表,用于记录所有交易行为并支撑销售分析。

Image

该表采用InnoDB引擎确保事务完整性,以下是各字段的详细说明:

  • 主键与标识字段 id:自增主键(INT类型),唯一标识每笔销售记录。
  • AUTO_INCREMENT属性确保每次插入新记录时自动生成连续编号,形成天然的时间序列标识
  • user_id:用户关联标识(INT类型),通过外键约束FOREIGN KEY关联users表主键,确保销售记录必须对应有效用户
  • product_id:商品关联标识(INT类型),通过外键约束关联products表主键,强制每笔交易必须对应有效商品库存 核心业务字段
  • sale_date:销售日期(DATE类型),精确到天的交易时间戳,用于时间维度分析。建议配合sale_date字段建立复合索引提升查询效率
  • quantity:销售数量(INT类型),记录单次交易商品件数,正整数值域限制确保业务逻辑正确性
  • unit_price:成交单价(DECIMAL(10,2)),固定两位小数的精确数值存储,避免浮点计算误差。与products表价格字段解耦,保留历史价格快照
  • total_amount:自动计算金额(GENERATED ALWAYS AS),通过quantity * unit_price公式实时计算交易总额,STORED类型将计算结果物化存储以提升查询性能 审计追踪字段
  • create_time:记录创建时间(TIMESTAMP类型),DEFAULT CURRENT_TIMESTAMP自动记录数据插入时间,构成不可变审计日志
  • update_time:记录更新时间(TIMESTAMP类型)

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

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询