自然语言转SQL演示系统 ​

🚀 系统特性 ​

• 智能理解：准确理解用户的自然语言查询意图
• 自动转换：将自然语言自动转换为标准SQL语句
• 高效查询：大幅提升数据查询效率，减少技术门槛
• 即时反馈：实时显示转换结果和查询执行情况

📊 技术指标 ​

🎯 在线演示 ​

🛠️ 技术架构 ​

整体架构设计 ​

项目采用分层架构设计：

• 表现层：基于 Spring Boot 的 RESTful API 接口
• 业务层：包含核心的 Text2SQL 转换逻辑和数据库操作
• 数据访问层：通过 MyBatis Plus 实现数据库操作
• AI 层：集成 Spring AI 框架，使用大语言模型进行自然语言处理

核心组件 ​

• AIQueryController：API 接口控制器，处理前端请求
• Text2SqlServer：核心业务类，实现自然语言到 SQL 的转换逻辑
• DBQueryServer：数据库操作服务，执行 SQL 查询
• GoldenSqlService：黄金 SQL 管理，存储和检索相似查询
• PromptTemplateUtil：提示词模板工具类，构建大模型输入格式

架构流程图 ​

graph TD
    A[用户输入自然语言] --> B[语言理解模块]
    B --> C[意图识别]
    C --> D[SQL生成引擎]
    D --> E[语法检验]
    E --> F[执行结果]
    F --> G[结果展示]

graph TD
    A[用户输入自然语言] --> B[语言理解模块]
    B --> C[意图识别]
    C --> D[SQL生成引擎]
    D --> E[语法检验]
    E --> F[执行结果]
    F --> G[结果展示]

🔄 核心流程解析 ​

1. 自然语言查询处理流程 ​

graph TD
    A[用户发送自然语言查询] --> B(IntentRecognition意图识别)
    B --> C{是否通过意图识别?}
    C -->|是| D[RewriteQuery根据历史记录重写查询]
    C -->|否| E[直接返回AI输出内容]
    D --> F[SearchTableInfo搜索表结构信息]
    F --> G[GenerateSql使用大模型生成SQL]
    G --> H[ExecuteSql执行SQL查询]
    H --> I[通过StreamingResponseBody流式返回结果]
    H --> J[如果SQL执行失败]
    J --> K[尝试修复SQL并重新执行]

graph TD
    A[用户发送自然语言查询] --> B(IntentRecognition意图识别)
    B --> C{是否通过意图识别?}
    C -->|是| D[RewriteQuery根据历史记录重写查询]
    C -->|否| E[直接返回AI输出内容]
    D --> F[SearchTableInfo搜索表结构信息]
    F --> G[GenerateSql使用大模型生成SQL]
    G --> H[ExecuteSql执行SQL查询]
    H --> I[通过StreamingResponseBody流式返回结果]
    H --> J[如果SQL执行失败]
    J --> K[尝试修复SQL并重新执行]

2. SQL 生成核心机制 ​

graph TD
    A[提取用户查询中的实体信息] --> B[从向量库中搜索相关表结构信息]
    B --> C[构建完整的提示词模板]
    C --> D[调用大语言模型生成SQL语句]
    D --> E[执行SQL并处理结果]

graph TD
    A[提取用户查询中的实体信息] --> B[从向量库中搜索相关表结构信息]
    B --> C[构建完整的提示词模板]
    C --> D[调用大语言模型生成SQL语句]
    D --> E[执行SQL并处理结果]

3. 错误处理机制 ​

graph TD
    A[SQL执行失败] --> B[尝试修复SQL语句]
    B --> C[重新生成SQL]
    C --> D[再次执行SQL]
    D --> E{是否成功?}
    E -->|是| F[返回结果]
    E -->|否| G[返回错误信息]

graph TD
    A[SQL执行失败] --> B[尝试修复SQL语句]
    B --> C[重新生成SQL]
    C --> D[再次执行SQL]
    D --> E{是否成功?}
    E -->|是| F[返回结果]
    E -->|否| G[返回错误信息]

⚡ 关键技术点 ​

1. 流式响应：使用 ResponseEntity<StreamingResponseBody> 实现流式响应，提升用户体验
2. SSE 技术：通过 writeChunk 方法实现服务器推送事件，实时传输处理进度和结果
3. 向量检索：利用向量数据库搜索相似的黄金 SQL，提高生成准确率
4. 提示工程：精心设计的提示词模板，指导大模型生成高质量 SQL
5. 聊天记忆：使用 ChatMemoryRepository 管理对话历史，保持上下文连贯性

🗄️ 数据库支持 ​

项目支持多种数据库类型，包括：

• MySQL - 主流关系型数据库
• PostgreSQL - 开源对象关系型数据库
• Oracle - 企业级商业数据库
• SQL Server - 微软数据库解决方案
• 达梦数据库 - 国产商业数据库
• 人大金仓 - 国产数据库系统
• OpenGauss - 开源关系型数据库

通过 DBQueryServer 和 DBServer 类实现数据库抽象，提供统一的数据库操作接口。

🚀 扩展性设计 ​

1. 多模型支持：支持多种大语言模型（通过配置 model 参数）
2. 模板体系：可扩展的提示词模板体系
3. 插件架构：插件式的数据库适配器设计
4. 参数配置：可配置的聊天选项（温度、模型等参数）

📦 部署步骤 ​

1. 数据库初始化 ​

创建text2sql数据库表：

# 执行SQL脚本
sql/mysql/text2sql-20250701.sql

# 执行SQL脚本
sql/mysql/text2sql-20250701.sql

2. 向量库部署 ​

项目使用ChromaDB作为向量数据库：

# Docker部署方式
docker run -it --rm --name chroma -p 8000:8000 ghcr.io/chroma-core/chroma:1.0.0

# Docker部署方式
docker run -it --rm --name chroma -p 8000:8000 ghcr.io/chroma-core/chroma:1.0.0

3. 缓存配置 ​

系统使用Redis作为缓存解决方案，确保Redis服务正常运行。

📈 应用场景 ​

人员信息分析 ​

• 人员信息查询：快速检索基础信息
• 统计报表生成：自动生成各类统计报表

登录日志查询 ​

• 人员登录统计：实时统计各人员的登录情况

更多查询 ​

• 敬请期待：陆续开放体验

🔧 系统优势 ​

1. 降低技术门槛：非技术人员也能轻松进行数据查询
2. 提升工作效率：将原本需要编写SQL的时间缩短85%
3. 减少错误率：自动生成的SQL语句语法正确，避免人为错误
4. 标准化查询：统一的查询格式和规范

📞 技术支持 ​

• 开发者：于跃
• 技术栈：Spring Boot • Spring AI • MyBatis Plus • ChromaDB • Redis
• 核心技术：自然语言处理 • 向量检索 • 流式响应 • 提示工程
• 数据库支持：MySQL • PostgreSQL • Oracle • 达梦 • 人大金仓 • OpenGauss
• 部署状态：测试环境稳定运行
• 项目架构：分层架构设计，支持多数据库、多模型扩展
• 更新时间：2025年7月10日