取数工具人的末日？AI实现直接对话数据库_检索增强生成(rag),数据分析师可以做什么

今天，我要介绍的是一个AI驱动的SQL语句生成工具：Vanna，它将重新定义数据查询方式，直接转换业务问题为SQL查询语句。Vanna利用LLMs和RAG（检索增强生成）技术，实现从Text文本到SQL的精确转换，帮助我们轻松与数据库对话。Vanna开源项目基于MIT许可，具有极高的灵活性和开放性。

Vanna 的功能和技术

首先，让我们来谈谈Vanna的核心功能。在进行数据分析的时候，我们时常需要将复杂的业务问题转换为可执行的SQL查询语句。这正是Vanna大显身手的地方。Vanna的工作原理是在你的数据集上训练一个RAG模型，然后提出问题，系统便会自动生成SQL查询语句。这个过程不仅简化了数据库查询的工作，而且大大提高了工作效率。

可能有些读者对RAG这个概念还不太熟悉。RAG，即检索增强生成，是一种结合了数据库检索和文本生成的技术。在Vanna中，这意味着你可以通过简单的提问来获得复杂的SQL查询语句。这种方法不需要用户深入了解数据库背后的机制和SQL语言，使得即便是编程新手也能轻松上手。

Vanna 的安装和使用

Vanna还提供了多样化的用户界面，如Jupyter Notebook、vanna-streamlit、vanna-flask和vanna-slack等。这些界面可以直接使用，也可以作为开发自定义界面的基础。在我对vanna的实际使用中，发现这些界面非常直观明了，对于需要快速获得业务数据的场景来说，比直接使用SQL查询数据库方便多了，极大地提高了工作效率。

安装Vanna也非常简单。通过简单的pip命令即可：pip install vanna，你就可以在你的系统中安装Vanna。此外，Vanna的文档中还提供了一系列可选包的安装指南，非常全面且易于理解。

训练Vanna也是一个非常灵活的过程。你可以根据自己的需求选择是否执行vn.train命令。Vanna支持DDL语句、文档和SQL查询等多种训练数据。例如，你可以通过DDL语句来训练模型了解数据库的结构，或者通过添加业务术语的文档来让模型更好地理解你的业务需求。

Vanna 的优点和特性

值得一提的是，Vanna利用RAG技术，与传统的微调方法相比有非常明显的优势。RAG更加便携、成本更低，而且更具有兼容性。随着LLM（大型语言模型）技术的不断进步，RAG方法能够更加灵活地适应新模型。

此外Vanna的优点在于高准确度、安全性和隐私性，这对数据来说非常重要。Vanna的设计确保了数据库内容的安全，SQL执行过程完全在本地环境中进行，没有任何数据被发送到LLM或向量数据库。这对于处理敏感数据或遵守严格数据保护法规的项目来说，是一个重要的优点。

再谈到自学习能力，Vanna在这方面也表现出色。特别是在Jupyter环境下，Vanna提供了“自动训练”功能，这意味着每当成功执行一个查询时，系统都会自动学习并改进。这种持续学习的能力，让Vanna能够随着时间的推移不断优化其性能。

无论你的数据库是什么，只要Python能连接，Vanna就能处理。这为我们在多种数据库环境中的工作提供了极大的便利。

还有一个不得不提的方面是Vanna的前端选择。从Jupyter Notebook开始，再到Slackbot、网页应用、Streamlit应用，甚至自定义前端，Vanna为用户提供了广泛的选择。它们使得数据分析成果更易于展示和理解。

我认为Vanna的可扩展性也是一个不可忽视的优点。Vanna不仅支持与任何数据库、LLM和向量数据库的连接，而且还提供了VannaBase这样的抽象基类，使得用户可以根据自己的需求进行定制。这种开放性和灵活性，对于需要特定功能或集成到更大系统中的项目来说，是非常有用的。

总结

综上所述，Vanna不仅仅是一个AI辅助工具，也是一个新型的数据查询开源框架，为普通人提供了前所未有的便利和强大功能。它打破了传统数据查询的限制，将AI技术的先进性和易用性结合在一起，使得无论是编程新手还是经验丰富的开发者，都能高效地处理和分析数据。

对于数据分析师来说，在掌握SQL语言的同时，我们也要时刻关注AI发展的影响。随着AI的快速发展，单纯依赖传统的数据处理方法已经不足以应对日益复杂的业务需求。在数据分析工作中，仅仅做一个擅长取数的“工具人”是不够的。随着AI和机器学习等技术的不断发展，数据分析师的角色也在发生变化。我们不再仅仅是数据的处理者，而是需要成为能够提供洞见和策略的思考者。因此，培养对AI技术的敏感性和对业务深入的理解就显得尤为重要。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】