解开基于大模型的Text2SQL的神秘面纱

你好，我是 shengjk1，多年大厂经验，努力构建 通俗易懂的、好玩的编程语言教程。 欢迎关注！你会有如下收益：

1. 了解大厂经验
2. 拥有和大厂相匹配的技术等

希望看什么，评论或者私信告诉我！

---

一、背景

关注 NL2SQL 也有一段时间了，刚好公司最近也要做 NL2SQL，我也刚好看了几个 NL2SQL 的开源项目以及 论文，所以现在总结一下。

二、NL2SQL 的实现方式

2.1 Vanna

先说一下目前比较火的开源项目 Vanna 的实现方式：RAG + LLM
这是它的整体架构和实现方式：
我也翻了一下它的源码，它内部实现特别暴力，通过用户的 question，将 schemal、doc 以及 sql 全部查出来，拼接 prompt 然后给大模型。

这是 vanna 源码的生成 sql 的逻辑

 Uses the LLM to generate a SQL query that answers a question. It runs the following methods:

        - [`get_similar_question_sql`][vanna.base.base.VannaBase.get_similar_question_sql]

        - [`get_related_ddl`][vanna.base.base.VannaBase.get_related_ddl]

        - [`get_related_documentation`][vanna.base.base.VannaBase.get_related_documentation]

        - [`get_sql_prompt`][vanna.base.base.VannaBase.get_sql_prompt]

        - [`submit_prompt`][vanna.base.base.VannaBase.submit_prompt]

1
2
3
4
5
6
7
8
9
10
11
12

我自己基于 muilt-agent 开发了类似的功能，few-shot 的正确率确实要高一些

2.2 DAIL-SQL

DaIL-SQL 曾经的王者，在 Spider EX 正确率 86.6 %，我读了它的论文 ，它的核心在于 prompt ：在 schemal 上增加了 相似问题和对应SQL，从而提高正确性

2.3 其他的实现方式

目前这一块在学术界不断的创新，每隔一段时间就会有新的方式出来来刷新之前的最好成绩，感兴趣的可以看一下 Awesome-Text2SQL

2.4 总结

目前我了解到的所有的实现方式都逃不过：RAG +LLM，目前可以优化的点无非就是

1. RAG 想办法提高 RAG 数据的正确率
2. 元数据，元数据有问题，RAG的正确率再高也无济于事
3. prompt，通过优化 prompt，比如 MCS-SQL 利用多个提示和多项选择来生成文本到 SQL
4. LLM 目前的初步结论是参数越多效果越好

三、实现样例

有一个张 a

CREATE TABLE aa (
  `all_dau` BIGINT COMMENT 'DAU',
  `long_dau` BIGINT COMMENT '长DAU',
  `short_dau` BIGINT COMMENT '短DAU',
  `date` INT COMMENT '分区')
PARTITIONED BY (date)
1
2
3
4
5
6

我现在要查询表 a 最近 7 天 长DAU 和是多少？ 应该怎么做。

1. 将 表 a 相关的元数据，本例子就是 DDL 写入到向量数据库
2. 根据用户提问查询 RAG 得到表 a 相关的信息
3. 拼接 prompt
4. 发给大模型

比如，拼接 prompt 为

CREATE TABLE aa (
  `all_dau` BIGINT COMMENT 'DAU',
  `long_dau` BIGINT COMMENT '长DAU',
  `short_dau` BIGINT COMMENT '短DAU',
  `date` INT COMMENT '分区')
PARTITIONED BY (date)


要查询表 a 最近 7 天 长DAU 和是多少？返回对应的SQL
1
2
3
4
5
6
7
8
9

发给大模型，大模型返回结果为

要查询表 `aa` 中最近 7 天的长 DAU (`long_dau`) 数量，您可以使用以下的 SQL 查询语句，假设 `date` 列存储的是日期的整数表示（例如 UNIX 时间戳或特定的日期编码）：


```sql
SELECT SUM(long_dau) AS total_long_dau
FROM aa
WHERE date >= CURDATE() - INTERVAL 7 DAY;
1
2
3
4
5
6
7

这里，我们使用了 SUM 函数来计算 long_dau 的总和，并且使用 WHERE 子句来过滤出最近 7 天的数据。CURDATE() 函数返回当前日期，然后通过 INTERVAL 7 DAY 添加 7 天的间隔，然后使用 - 操作符来得到 7 天前的日期。这样，您就可以得到最近 7 天的长 DAU 的总和。

四、 text2sql 测试集介绍

是的，WikiSQL、Spider 和 BIRD 是常用的 Text-to-SQL 测试集，它们用于评估模型在自然语言查询到结构化查询语言（SQL）转换方面的能力。以下是它们的简要介绍：

4.1. WikiSQL

• 概述：

  • WikiSQL 是一个大规模的 Text-to-SQL 数据集，包含了由自然语言查询生成的 SQL 查询。数据集来自维基百科中的表格。

• 特点：

  • 包含 80,000 条自然语言查询和相应的 SQL 查询。用户可以通过简单地询问表格中的信息来生成 SQL。
  • 确保多样性，通过多种问题类型测试模型的灵活性。

4.2. Spider

• 概述：

  • Spider 是一个大规模的、跨数据库的 Text-to-SQL 数据集，旨在测试模型在不同数据库架构下的泛化能力。

• 特点：

  • 包含 10,000 多个自然语言查询与 SQL 查询配对，涉及 200 多种不同的数据库结构。
  • 支持复杂的 SQL 查询，如嵌套查询和联合查询。
  • 设计以提高模型的实际应用能力，更接近真实世界的使用场景。

4.3. BIRD

• 概述：

  • BIRD 是一个专注于信息抽取的 Text-to-SQL 数据集，主要来源于真实的数据库和自然语言问题。

• 特点：

  • 旨在评估模型的鲁棒性，特别是在面对模糊或含糊的问题时。
  • 提供多样化的问题类型和复杂的 SQL 逻辑，挑战模型的理解和推理能力。

这些测试集为评估和推动 Text-to-SQL 模型的发展提供了标准化的基准，帮助研究人员在自然语言理解和数据库查询方面进行有效比较。通过这些挑战，模型能够逐步提高在实际应用中的准确性和效率。

五、EM 和 EX 介绍

这里以 Spider Exact Match (EM) 和 Spider Exact Execution (EX) 为例介绍：
在 Text-to-SQL 测试集领域，Spider Exact Match (EM) 和 Spider Exact Execution (EX) 是两种评估模型性能的指标，它们都与 Spider 数据集相关，但评估的侧重点有所不同。

联系：

两者都是用来评估 Text-to-SQL 模型性能的指标。它们都需要模型根据输入的文本描述生成相应的 SQL 查询语句。这两个指标都是在 Spider 数据集上使用的，关注模型的查询生成能力与真实数据库执行结果的一致性。

区别：

1. Spider Exact Match (EM)：主要关注生成的 SQL 查询是否与数据集中提供的标准查询语句完全匹配。它评估模型是否能够准确生成与参考查询语句结构、语法和语义完全一致的 SQL 代码。如果生成的 SQL 查询与参考查询完全一致，则被认为是正确的。这种评估更侧重于模型的查询生成能力。
2. Spider Exact Execution (EX)：更关注生成的 SQL 查询在实际数据库上的执行结果是否与预期结果一致。它不仅检查查询语句的语法和结构，还检查查询的执行结果是否正确。这意味着模型不仅要生成结构正确的查询语句，还要保证这些查询能够在数据库上返回正确的结果。这种评估方式更全面地考虑了模型的性能，包括查询生成能力和数据库执行能力。

简而言之，EM 主要关注查询语句本身的准确性，而 EX 则更关注查询在实际数据库上的执行结果的准确性。在实际应用中，可以根据需求选择合适的评估指标。

七、总结

本文对Text2SQL的实现方式、测试集和评估指标进行了介绍和总结，全面了解了Text2SQL技术的相关内容，对于从事Text2SQL的研究者具有一定的参考意义。