用 AI 让自然语言直接 “操控” 数据库：Text2SQL 的极简实践
当业务人员想查 “工程部门的薪资”，却得等开发写 SQL；当运营要加个新员工，还得翻数据库文档 —— 这些场景里，自然语言直接生成 SQL的能力，正在让数据库操作变得像聊天一样简单。
一、从 “写 SQL” 到 “说需求”：Text2SQL 的落地逻辑
我们可以用 “大模型 + 数据库” 快速实现 Text2SQL：
- 准备数据库与数据先通过 Python 连接 SQLite，创建员工表并插入测试数据：
python
运行
import sqlite3
# 连接数据库+创建员工表
conn = sqlite3.connect("test2.db")
cursor = conn.cursor()
cursor.execute("""
CREATE TABLE IF NOT EXISTS employees(
id INTEGER PRIMARY KEY,
name TEXT,
department TEXT,
salary INTEGER
)
""")
# 插入测试数据
sample_data = [
(6, "黄佳", "销售", 50000),
(7, "宁宁", "工程", 75000),
(8, "谦谦", "销售", 60000),
(9, "悦悦", "工程", 80000),
(10, "黄仁勋", "市场", 55000),
(11, "曾繁花", "工程", 80000)
]
cursor.executemany("INSERT INTO employees VALUES (?,?,?,?)", sample_data)
conn.commit()
- 让大模型 “读懂” 表结构要让 AI 生成正确的 SQL，得先把表结构（Schema）传给它。我们可以通过
PRAGMA table_info自动获取表结构，并格式化为大模型能理解的文本：
python
运行
# 获取表结构并格式化
schema = cursor.execute("PRAGMA table_info(employees)").fetchall()
schema_str = "CREATE TABLE EMPLOYEES (\n" + "\n".join([f"{col[1]} {col[2]}" for col in schema]) + "\n)"
# 输出的schema_str示例：
# CREATE TABLE EMPLOYEES (
# id INTEGER
# name TEXT
# department TEXT
# salary INTEGER
# )
- 调用大模型生成 SQL用自然语言作为问题，结合表结构传给大模型（这里以 DeepSeek 为例），让它直接输出 SQL 语句：
python
运行
from openai import OpenAI
# 配置大模型客户端
client = OpenAI(
api_key="你的API_KEY",
base_url="https://api.deepseek.com/v1"
)
def ask_deepseek(query, schema):
prompt = f"""
这是一个数据库的Schema:
{schema}
根据这个Schema，请输出一个SQL查询来回答以下问题。
只输出SQL查询语句本身，不要使用任何Markdown格式，
不要包含反引号、代码块标记或额外说明。
问题：{query}
"""
response = client.chat.completions.create(
model="deepseek-chat",
max_tokens=2048,
messages=[{"role": "user", "content": prompt}],
temperature=0
)
return response.choices[0].message.content
二、实战：用一句话完成数据库操作
场景 1：查询数据
当业务问 “工程部门员工的姓名和工资是多少”，只需一行代码：
python
运行
question = "工程部门员工的姓名和工资是多少"
sql_query = ask_deepseek(question, schema_str)
# 大模型返回的SQL：SELECT name, salary FROM EMPLOYEES WHERE department = '工程';
# 执行查询并输出结果
results = cursor.execute(sql_query).fetchall()
print(results) # 输出：[('宁宁', 75000), ('悦悦', 80000), ('曾繁花', 80000)]
场景 2：新增数据
运营说 “在销售部门增加一个新员工，姓名为张三，工资为 45000”：
python
运行
question = "在销售部门增加一个新员工，姓名为张三，工资为45000"
sql_query = ask_deepseek(question, schema_str)
# 大模型返回的SQL：INSERT INTO EMPLOYEES (name, department, salary) VALUES ('张三', '销售', 45000);
# 执行插入并提交
cursor.execute(sql_query)
conn.commit()
场景 3：删除数据
需要 “删除市场部门的黄仁勋”：
python
运行
question = "删除市场部门的黄仁勋"
sql_query = ask_deepseek(question, schema_str)
# 大模型返回的SQL：DELETE FROM EMPLOYEES WHERE department = '市场' AND name = '黄仁勋';
# 执行删除并提交
cursor.execute(sql_query)
conn.commit()
三、AI First：不止于 Text2SQL 的未来
这种 “自然语言直接操控系统” 的模式，正是AI First理念的体现 —— 用 AI 降低技术门槛，让业务人员直接用 “说话” 的方式完成操作。
除了数据库，AI First 还能延伸到更多场景：比如 “点奶茶” 时，让 AI 帮你在美团、抖音等平台比价、领券，自动下单；或是在开发中，用自然语言生成代码、调度服务。
而像阿里云 ModelScope 这样的大模型社区，也在让 “微调模型、快速落地 AI 能力” 变得更简单 —— 未来，“用自然语言做开发、做运营” 或许会成为常态。
