让如何让 AI 生成准确的 SQL

让您像聊天一样
用一句话查询公司数据
轻松生成图表 快速获得商业洞察 ☀️

很多用户反馈都说比预想中的好，也好奇我们是怎么做到的。借这个机会，再来讲一下：我们是基于 SQL 的问数 AI。因此要想问数效果好，SQL 是关键；而为了生成准确的 SQL，除了选用靠谱的大模型，如何驾驭这些大/小模型，也至关重要。就好比做菜，食材重要，厨师更重要。

在 AskTable 内部，生成 SQL 的系统可划分为三大核心模块：Meta Brain、Meta Retrieval 和 Data Retrieval，如下图所示。

情报中心——Meta Brain：构建元数据图谱

Meta Brain 是 AskTable 的情报中心，充当整个数据系统的知识库。它存储了数据库中所有的元数据以及必要的关键词数据，包括库名、表名、字段名及其注释信息，完全由 AI 驱动自动化构建了一个全面的数据库元数据图谱。这使得 AskTable 能够理解不同数据库系统（如 MySQL、Oracle、PostgreSQL、达梦、Hive 等）中的数据结构，并在需要时高效、准确地生成对应的 SQL 查询语句。

Meta Brain 同时也是 embedding 等多种相关/相似性搜索的存储与计算中心。所有的查询在这里进行搜索与计算，从而找到最符合用户查询意图的数据表、字段和数据值。向量搜索和图数据库技术的结合，使得 Meta Brain 能够在大规模数据中迅速定位目标数据，提高查询效率。

侦察队——Meta Retrieval：实体识别与元数据检索

当用户发起查询时，系统首先进入 Meta Retrieval 模块。这里，问句经过自然语言处理，从中提取出关键实体或关系，如地名、用户等。这一步骤通过实体识别技术，使系统能够识别并理解用户查询的核心内容。

接着，系统会调用 embedding 模型，将提取的实体转化为向量表示。这些向量表示在 Meta Brain 中进行查询，以找出与之最相关的数据库字段和表。向量的语义检索使得系统能够在复杂数据结构中高效匹配，确保查询的精准性，以及对口语化表达的识别。

同时，系统还会使用内置的专门针对 Meta Data 和 Short Value 结构优化的搜索算法，从 Meta Brain 中匹配真实实体名字，这样才能避免后续生成 SQL 时 Value Missing。

另外，Meta Retrieval 还负责查询权限的管理。根据用户的角色与权限，系统会过滤掉不符合访问要求的数据。

行动队——Data Retrieval：智能学习与动态纠错

Data Retrieval 模块负责执行生成的 SQL 查询并获取数据。不同于传统数据库查询，AskTable 在这个过程中加入了智能学习与纠错机制。当查询结果与预期不符时，系统会利用 AI 模型对 SQL 进行动态调整或重写，以优化查询结果。这种动态纠错机制显著提高了复杂查询场景下的响应准确性。

同时，AskTable 还会通过对 Good/Bad Case 的分析，通过基于用户反馈的强化学习与训练等手段持续优化 SQL 在不同数据库方言、不同表结构下的生成效果，进一步提升查询准确性。

在数据查询前，系统还会进行进一步的权限校验。每一行数据在返回给用户前，都会根据权限规则再次过滤，确保数据的合规性与安全性。通过这一严密的多层过滤，AskTable 不仅保证了数据安全性，还在极大程度上减少了数据冗余。

其他

除了以上内容，我们在生成 SQL 的过程中，还引入了“术语库”、“训练师”和“专属偏好”等高级功能。点击原文了解更多，或者扫码下方二维码加群交流。若有合作需求也可以直接关注公众号，点击底部按钮联系我们。

我们相信 AI，相信 LLM，
相信使我们永远创新且永远向前。
我们尊重时间，尊重隐私，
尊重使我们谨慎、务实且客观。