Text2SQL 的 难点（或者说关键点）

1.如何让复杂的多表查询Sql拆解

在用户的日常提问中，约70% 的查询，一句SQL是没办法直接搞定的（除非直接一张大宽表），很多时候，我们需要将其分解为多个sql进行执行。

例如用户提问“查询上海地区前三的客户过去三年复购率”，实际需要拆解为：

1. 查询客户近三年订单明细

2. 计算每位客户总销售额

3. 筛选华东地区前三客户

4. 关联历史订单计算复购周期

做法：使用workflow，以及临时表

2.如何精准定位到表

这个部分应该是最难的一部分了（个人认为），如何让模型理解复杂的业务分析场景，如何增强模型对业务背景知识的理解，如何识别业务模型间的关联关系

例如，怎么让模型知道每个业务字段的含义？

怎么可以根据用户的问题匹配到识别的目标表，当数据库中表的数量过多（成百上千、甚至过完），怎么精准识别就是个问题？

做法：目前主流的是

对数据库建立DSL等知识库来去精准存储表结构的定义

建立大量的预置sql对（可以微调也可以外挂的方式），相当于给模型进行少样本学习，当包含相似问题，可以触发快速匹配。

定义表之间的关联关系，也是和上面的类似，方便模型快速关联定位（但是现实中（遇到过的），用户的数据中，并不会去进行额外的配置主外键，还要自己重新去梳理）

3.如何精准定位到字段

DDL等类似的方式来进行增强模型对字段的理解

行业黑话配置表

4. SQL查询自我更正和建立闭环学习系统

1.当针对用户的问题，如果大语言模型生成的SQL查询成功则会直接将结果进行返回，如果错误将设置重试次数，将错误信息等信息重新喂给大模型重新生成。

2.当系统上线后，将执行失败的sql存入待审核库，人工修正后再次反哺训练

3.统计高频语句和问表字段，动态调整知识库的优先级

4.记录每次sql生成参数，便于AB测试不同策略效果

5.简历多模型集成投票机制

总结

首先就是目前的速度问题、一般目前的正常生成速度大概在4~8秒左右，更不要说还要进行归因分析，图表生成等工作

其次做RAG或者表的结构构建，规范很重要！