如何使用LLM-based NL2SQL_云原生数据库 PolarDB(PolarDB)-阿里云帮助中心

为了让不熟悉SQL语言的用户能方便地从数据库中取数分析，PolarDB for AI推出自研的基于大语言模型的自然语言到数据库查询语言转义（Large Language Model based Nature Language to SQL，简称LLM-based NL2SQL）解决方案，PolarDB for AI会帮助用户将输入的自然语言转换为SQL语句。LLM-based NL2SQL在语言理解方面很强大，生成的SQL语句中能支持更多的函数，如日期加减等。LLM-based NL2SQL甚至能够理解一些简单的映射关系，如有效->isValid=1等。经过适当调整后还能理解用户的一些常用SQL搭配，如条件中默认选用datastatus=1等。本文介绍了LLM-based NL2SQL的使用方法。

前提条件

已开启PolarDB for AI功能。建议增加AI节点时，节点规格选择包含GU30的规格。
已通过PolarDB MySQL版的集群地址连接数据库集群。
使用LLM-based NL2SQL解决方案涉及的表在指定库内。

注意事项

使用LLM-based NL2SQL功能时，提出的问题中要明确表达出限制条件和相关的实体值。同时，尽量将条件前置，然后是需要找的列值对应的实体，最后是可能的列名。示例如下：

超过1个房间的“房子”或“公寓”的属性名称是什么？

其中，超过1个房间是条件，房子和公寓是列值对应的实体，属性名称是可能的列名。

使用说明

规范数据表

使用LLM-based NL2SQL时，需要对常用的数据表以及表中的列添加注释。

表注释

表注释能够帮助LLM-based NL2SQL模型更好地理解表的基础信息，能更好地定位SQL语句中涉及的表。注释可以简洁明了地说明表的大致内容。如订单、库存等，注释尽量控制在10个字以内，不要引入过多解释。

列注释

列注释由用户常用的名词或短语构成。例如，订单编号、日期、店铺名称等，能精确体现列名所表达的含义。

您可以在列注释中添加列的样例数据或映射关系。例如，列名为isValid，它的注释可以为是否有效。0：否。1：是。。

说明

如果原有注释无法修改，您可以使用进阶功能中的自定义表列注释能力进行注释调整，具体请参见自定义表列注释。

数据准备

构建数据表的检索索引表。

为了提取数据表中的数据，需要构建数据表的检索索引表，支持自由指定表名（需满足数据库规范），本文以schema_index为例，构建检索索引表的SQL语句如下：

/*创建数据库表索引*/
/*polar4ai*/CREATE TABLE schema_index(id integer, table_name varchar, table_comment text_ik_max_word, table_ddl text_ik_max_word, column_names text_ik_max_word, column_comments text_ik_max_word, sample_values text_ik_max_word, vecs vector_768,ext text_ik_max_word, primary key (id));

将数据表中的信息导入检索索引表。
将数据表中的信息导入检索索引表的SQL语句如下：
```
/*polar4ai*/SELECT * FROM PREDICT (MODEL_polar4ai_text2vec, select '') WITH (mode='async', resource='schema') into schema_index;
```
执行以上SQL语句后，PolarDB for AI默认会对当前库下的所有表执行转向量操作，并对列值进行取样。其中，into后需要填写上一步创建的检索索引表名。with()内支持设置的参数如下：
- tables_included：用于设置转向量的表，默认为''，表示对所有的表执行转向量操作。设置时多个表名之间使用英文逗号分隔，并拼接为字符串。
- to_sample：用于设置是否对列值进行取样。对列值进行取样会使得数据表导入索引表的任务时间变长，但在表的列数较少（<15列）时能提高生成的SQL的质量。取值范围如下：
  - 0（默认）：表示不对列值取样。
  - 1：表示对列值取样。
- columns_excluded：用于设置不参与LLM-based NL2SQL操作的列。默认为''，表示所有参与LLM-based NL2SQL操作的表的所有列均参与后续LLM-based NL2SQL操作。设置时需要将选中的表中不参与后续LLM-based NL2SQL操作的列按照table_name1.column_name1,table_name1.column_name2,table_name2.column_name3的格式拼接为字符串。
示例如下：
```
/*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_text2vec, select '') WITH (mode='async', resource='schema', tables_included='graph_info,image_info,text_info', 
to_sample=1,
columns_excluded='graph_info.time,text_info.ext') into schema_index;
```
该语句表示对当前库中的graph_info、image_info以及text_info表执行转向量操作，并且对列进行值取样。同时表graph_info中的time列和表text_info中的ext列不参与后续的LLM-based NL2SQL操作。
执行完该语句后，会返回该任务的taskid，如bce632ea-97e9-11ee-bdd2-492f4dfe0918。您可以执行以下命令来查看导入状态，当返回值显示为finish时，表示索引构建完成。
```
/*polar4ai*/SHOW TASK `bce632ea-97e9-11ee-bdd2-492f4dfe0918`;
```
说明
如果polar4ai_nl2sql_table_extra_info中的数据发生变更，则需要重新执行步骤1和步骤2。

在线使用LLM-based NL2SQL

您可以执行以下SQL语句来在线使用LLM-based NL2SQL：

/*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, SELECT '查询年份为2008年的国家标准有哪些？') 
WITH (basic_index_name='schema_index');

上述SQL语句中，SELECT后需要输入待转换为SQL语句的用户问题，basic_index_name为数据库索引表名称。with()内支持设置的参数如下：

参数名称	参数描述	取值范围
to_optimize	是否进行SQL优化。	取值范围：0或1。默认值为0。 0：不优化。 1：最后需要执行SQL优化操作，PolarDB for AI将会对生成的SQL语句进一步加工成更优化的SQL。 `/polar4ai/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, select 'id为1的内容是什么？') WITH (basic_index_name='schema_index', to_optimize=1)`
basic_index_top	召回表的最相近个数	取值范围：[1,10]。默认值为3，表示对当前问题只选出最优的3张表。通常设置为1即可。如果涉及到多张表，可以将该值设置为4或更大，以扩大召回，提高效果。
basic_index_threshold	召回表判断是否相近时所使用的阈值	取值范围：(0,1]。默认值为0.1，表示当数据库表向量匹配超过0.1时才会被选中。

推荐的问句样例如下：

进行过两次或更多次治疗的专家的ID、角色和名字是什么？
被养最多数量狗的品种名称是什么？
被喂养最多数量的狗都有哪些品种？给我这个品种的名字。
哪一位主人为他或她的狗支付了最多的治疗费？列出主人的ID和姓氏。
告诉我花在他或她的狗身上最多治疗费的主人的ID和姓氏。
总花费最少的治疗类型的描述是什么？

进阶使用

配置问题模板

您可以使用一些通用的问题模板，通过引入特定知识来指导模型，使得模型能按特定的知识来生成SQL语句。

说明

初次体验LLM-based NL2SQL操作时不需要执行该操作。

创建问题模板表。

创建问题模板表的SQL语句如下：

DROP TABLE IF EXISTS `polar4ai_nl2sql_pattern`;
CREATE TABLE `polar4ai_nl2sql_pattern` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `pattern_question` text COMMENT '模板问题',
  `pattern_description` text COMMENT '模板描述',
  `pattern_sql` text COMMENT '模板SQL',
  `pattern_params` text COMMENT '模板参数',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=2 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

其中，表名必须以polar4ai_nl2sql_pattern开头，表结构中必须包含上述建表语句中的五个列。

问题模板是为特定领域知识而制定的，能够方便模型更好地理解当前问题。问题模板由模板问题、模板描述、模板SQL、模板参数四部分组成。

模板问题：带参数的用户问题。会作为输入提供给LLM-based NL2SQL模型。在模板问题中，需要按照#{XXX}格式来写入参数。
模板描述：对用户问题进行提炼，会将一些实体作为参数。如日期、年份、机构等，这些实体通常会对应表中的特定列。在模板描述中使用【XXX】格式表示，并且需要与模板问题中的参数顺序保持一致。
模板SQL：与用户问题对应的正确的SQL语句，且需要将一些变量作为参数，参数需要和模板问题中的参数保持一致。
模板问题和模板SQL中同前缀的参数，其参数值存在一一映射关系。例如，#{category}和#{categoryCode}，category有普通商标、特殊商标和集体商标这三个参数值，则对应的categoryCode为0、1、2。
模板参数：模板参数由一个JSON数组构成，其中每个JSON中的具体参数如下：
- table_name：模板SQL中的表名。为字符串类型。
- param_info：table_name表中的参数，其中param_name表示参数名称，为字符串类型。value是参数的取值样例，为数组类型。如果参数对应的是有限的枚举值，则尽量在value中将所有的值列出来。如果只是样例值，可以列出2~4个值。如果存在相互对应的参数（如intCls和intClsCode、category和categoryCode），则需要通过list顺序来映射。例如，intCls中的化学原料对应inClsCode中的1，颜料油漆对应inClsCode中的2。
- explanation：补充说明。通常是对生成的SQL语句的一些要求，比如，输出哪些信息或者对字段进行说明。

创建问题模板表的示例如下：

主键

模板问题

模板描述

模板SQL

模板参数

查询年份为#{issueDate}年项目状态为#{projectStat}状态计划发布的国家标准有哪些？

【年份】【项目状态】计划发布的国家标准有哪些？

SELECT DISTINCT
planNum,
projectCnName,
projectStat
FROM
sy_cd_me_buss_std_gjbzjh
WHERE
`planNum` IS NOT NULL
AND `dataStatus` != 3
AND `isValid` = 1
AND projectStat=#{projectStat} AND DATE_FORMAT( `issueDate`,'%Y')=#{issueDate}

[{

"table_name":"sy_cd_me_buss_std_gjbzjh","param_info":[{"param_name":"#{issueDate}","value":[2009,2010,2011,2012]},{"param_name":"#{projectStat}","value":["正在征求意见","已发布","正在审查"]}],"explanation":"输出标准名称projectCnName；计划号；项目状态"}]

查询商标类型为#{category}国际分类为#{intCls}类型的商标有哪些？

【商标类型】【国际分类】的商标有哪些？

SELECT DISTINCT tmName,regNo,status FROM sy_cd_me_buss_ip_tdmk_new WHERE dataStatus!=3 AND isValid = 1 AND category=#{categoryCode} AND intCls=#{intClsCode}

[{

"table_name":"sy_cd_me_buss_ip_tdmk_new","param_info":[{"param_name":"#{intCls}","value":["化学原料","颜料油漆","日化用品","燃料油脂","医药"]},{"param_name":"#{category}","value":["普通商标","特殊商标","集体商标"]},{"param_name":"#{intClsCode}","value":[1,2,3,4,5]},

{"param_name":"#{categoryCode}","value":[0,1,2]}],"explanation":"输出商标名称tmName、regNo申请号/注册号、status商标状态。注：category为常量映射类型。变量映射字段：categoryCode。

intCls为常量映射类型。变量映射字段：intClsCode。"}]

说明

当不需要填写模板参数时，您可以将模板参数值设置为以下任意一种形式：

NULL
空字符串
空的list字符串[]

创建问题模板索引表。

创建问题模板索引表的SQL语句如下：

/*创建问题模版索引*/
/*polar4ai*/CREATE TABLE pattern_index(id integer, pattern_question text, pattern_description text, pattern_sql text, pattern_params text, pattern_tables text, vecs vector_768, primary key (id));

将问题模板信息导入索引表。
将问题模板信息导入索引表的SQL语句如下：
```
/*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_text2vec, SELECT '') WITH (mode='async', resource='pattern') INTO pattern_index;
```
其中，INTO后需要填写步骤2中的问题模板索引表名。with()中支持多个参数，mode='async'表示异步，resource='pattern'表示对问题模板进行向量化，这2个参数的值不可缺少，亦不可更改。除此之外，with()中还支持配置pattern_table_name参数，不填写该参数值时默认为polar4ai_nl2sql_pattern。填写时必须填写以polar4ai_nl2sql_pattern开头的字符串格式的表名，该名称对应步骤1创建问题模板索引表时指定的表名。如果用户希望为不同场景或业务维护不同的pattern index，可以在创建问题模板索引表时指定不同的表名。如为用户相关场景创建polar4ai_nl2sql_pattern_user表，则第二步创建问题模板索引时，将索引名定为pattern_index_user，在将信息导入索引表时，使用如下SQL语句：
```
/*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_text2vec, select '') WITH (mode='async', resource='pattern', pattern_table_name='polar4ai_nl2sql_pattern_user') into pattern_index_user;
```
查看任务状态，并等待任务完成。
您可以根据返回的taskid信息来查看任务执行状态，查看任务执行状态的SQL语句如下：
```
/*polar4ai*/SHOW TASK `6d629f42-98c5-11ee-85c2-894330dff27f`;
```
等待返回finish信息后，问题模板信息将会被模型引用。您可以执行以下SQL语句来查看问题模板索引信息：
```
/*polar4ai*/SELECT * FROM pattern_index;
```
说明
如果polar4ai_nl2sql_pattern表中的数据有更新，则需要重新执行步骤2和步骤3。

在线使用问题模板。

您可以执行以下SQL语句来在线使用LLM-based NL2SQL和问题模板：

/*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, SELECT '查询年份为2008年的国家标准有哪些？') 
WITH (basic_index_name='schema_index',pattern_index_name='pattern_index');

上述SQL语句中，SELECT后需要输入待转换为SQL语句的用户问题，basic_index_name为数据库索引表名称，pattern_index_name为问题模板索引名称。with()内支持设置的与问题模板有关的参数如下（其他参数说明请参见在线使用LLM-based NL2SQL）：

参数名称

参数描述

取值范围

pattern_index_top

召回问题模板的最相近个数。

取值范围：[1,10]。

默认值为2，表示对当前问题模板只选出最优的2条模板。

pattern_index_threshold

召回问题模板是否相近时所使用的阈值。

取值范围：(0,1]。

默认值为0.85，表示当问题模板向量匹配超过0.85时才会被选中。

构建配置表

若您希望对问题进行前置处理，或者对最终生成的SQL进行后置处理时，可以使用配置表进行配置。

适用场景

场景一：对问题中的确定性词语进行替换，如人名、行业用语、商品名替换等。
比如：对所有包含张三的问题，将张三替换为ZS001。此时，对于问题张三上个月的销售额是多少？、张三今年的总销售额是多少？，在最终调用大模型之前都可以通过配置表将其全部前置处理为ZS001上个月的销售额是多少？、ZS001今年的总销售额是多少？。
场景二：对包含特定词语的问题补充额外信息。
比如：对所有包含总销售额的问题，都补充总销售额的计算公式总销售额：SUM(销售额)，在最终调用大模型之前都可以通过配置表添加此类信息，当问题满足对应的条件时进行补充。
场景三：对特定表或列的值进行映射替换。
比如：对所有最终关于表user_info的SQL，都将其中的status = '已创建'替换为status = 0，作为一种列值映射的兜底措施。

语法说明

构建配置表的SQL语句如下：

CREATE TABLE `polar4ai_nl2sql_llm_config` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `is_functional` int(11) NOT NULL DEFAULT '1' COMMENT '是否生效',
  `text_condition` text COMMENT '文本条件',
  `query_function` text COMMENT '查询处理',
  `formula_function` text COMMENT '公式信息',
  `sql_condition` text COMMENT 'SQL条件',
  `sql_function` text COMMENT 'SQL处理',
  PRIMARY KEY (`id`)
);

示例

id	is_functional	text_condition	query_function	formula_function	sql_condition	sql_function
1	1	`张三\|\|李四&&!!王五`	`{"append":["一","二"],"delete":["？"],"replace":{"张三":"a","李四":"b"}}`
2	1			`总销售额：SUM(销售额)`
3	1				`user_info\|\|sales_info&&!!stock_info`	`{"replace":{"status = '已创建'":"status = 0","status = '已完成'":"status = 1","status = '已删除'":"status = 2"}}`

自定义表列注释

在对数据库表中的列添加注释时，如果原有的注释不能改变，您可以在polar4ai_nl2sql_table_extra_info表中对列添加注释，且在使用LLM-based NL2SQL解决方案的过程中，该表中的注释会覆盖原表中的注释内容。

语法说明

polar4ai_nl2sql_table_extra_info表的建表语句如下：

DROP TABLE IF EXISTS `polar4ai_nl2sql_table_extra_info`;
CREATE TABLE `polar4ai_nl2sql_table_extra_info` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `table_name` text COMMENT '表名称',
  `table_comment` text COMMENT '表说明',
  `column_name` text COMMENT '列名称',
  `column_comment` text COMMENT '列说明',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=2 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

示例

table_name

table_comment

column_name

column_comment

sy_cd_me_buss_ip_patn_new

专利

patType

专利类型。取值范围如下：

1：发明。
2：实用新型。
3：外观设计。
4：短期专利。
5：其它。
6：译文。
7：检索报告。
8：pct发明。
9：pct实用新型。

sy_cd_ms_base_ipr_devdemo_list

知识产权优势和示范企业

certName

知识产权优势和示范企业认定名称。取值范围如下：

1：知识产权优势企业。
2：知识产权示范企业。

宽表支持

当用户判断库中存在列数较多的宽表，或在NL2SQL的使用过程中收到如Please use column index to avoid oversize table information.的错误消息时，可以使用以下流程以支持宽表：

构建列索引表。

构建列索引表时，表名column_index可以自由指定，但不能与库中已存在的表名相同，一个库中存在一张列索引表即可。建表语句如下：

/*polar4ai*/CREATE TABLE column_index(id integer, 
  table_name varchar, table_comment text_ik_max_word, 
  column_name text_ik_max_word, column_comment text_ik_max_word,
  is_primary integer, is_foreign integer,
  vecs vector_768, ext text_ik_max_word, primary key (id));

将数据表信息以列为粒度导入列索引表中。
```
/*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_text2vec, select '') WITH (mode='async', resource='column') into column_index;
```
执行该语句后，会显示一个taskid，如bce632ea-97e9-11ee-bdd2-492f4dfe0918。通过执行以下SQL语句可以查看导入状态，当显示finish后，则表示索引构建完成。
```
/*polar4ai*/SHOW TASK `bce632ea-97e9-11ee-bdd2-492f4dfe0918`;
```
在线使用宽表。
```
/*polar4ai*/SELECT * FROM PREDICT (MODEL_polar4ai_nl2sql, SELECT '按照老师名字的字母升序排列，显示老师的名字和安排他们教的课程名称。') WITH (basic_index_name='schema_index',column_index_name='column_index');
```
其中，无论使用哪一个schema index或者pattern index，在数据库中都可以使用同一个column_index_name，不需要像schema或者pattern一样区分场景或者业务语义，因为这里仅作信息的精简。column_index_name参数对于绝大多数没有超长的请求不会产生影响，仅仅对于触发了长度限制的NL2SQL，会通过column_index_name精简表信息，因此会丢失一部分准确度，但避免了因Prompt过长导致大模型报错的问题。

小结

LLM-based NL2SQL属于AI算法，AI算法的效果与诸多因素有关。为了使得查询结果不脱离预期，总结了下列可能会影响整体准确率的几个因素：

表和列注释的丰富程度：每张表及表中的列都添加注释，会提高查询的准确率。
用户问题与表中列注释的匹配程度：用户问题中的关键词和列注释保持一致，语义上越接近，查询效果越好。
生成的SQL语句长度：SQL语句中涉及的列越少、条件越简单，查询会越准确。
SQL语句中的逻辑复杂程度：SQL语句中涉及的高级语法越少，查询越准确。

列名	说明	取值范围	示例
is_functional	表示该行配置是否生效。说明当配置表存在时，默认每次进行NL2SQL时均采用。若存在不希望采用又暂时不想删除的配置项，可将`is_functional`置为`0`。使该配置行不生效。	`1`（默认）：生效 `0`：不生效	若`is_functional`=1，则表示该行配置生效。
text_condition	对问题进行文本条件判断。如果判断为匹配，则使用`query_function`和`formula_function`两列进行处理，反之则不使用。	当前支持`&&`、`\|\|`、`!!`三种条件，分别表示`与`、`或`、`非`。当`text_condition`为空或空字符串时，表示对于所有问题均匹配。	若`text_condition`=‘`张三\|\|李四&&!!王五`'，则表示：如果问题包含`张三`，或者包含`李四`且不包含`王五`，则条件匹配。例如，对于问题`张三今年总销售额多少？`，则条件匹配；对于问题`李四今年总销售额多少？`，依然条件匹配；对于问题`李四王五今年总销售额多少？`，则不匹配。
query_function	对问题进行处理。当`text_condition`判断为匹配时使用。	当前支持`append`、`delete`、`replace`三种处理，整体写作JSON格式字符串。	若`text_condition`=`{"append":["一","二"],"delete":["？"],"replace":{"张三":"a","李四":"b"}}`，则表示：当`text_condition`匹配时，在问题结尾添加`一`和`二`，并且删除问题中的`？`，最后将问题中的`张三`替换为`a`，`李四`替换为`b`。例如，对于问题`张三今年总销售额是多少？`，在`text_condition`匹配时，会最终被处理为`a今年总销售额是多少一二`。
formula_function	在问题中补充与具体业务/概念相关的计算公式信息或其他信息。当`text_condition`判断为匹配时使用。	-	若`formula_function`=`总销售额：SUM(销售额)`，则问题中的总销售额，在最终处理时，将使用`SUM(销售额)`公式作为额外信息一并进行处理。
sql_condition	对大模型生成的SQL进行后置处理的条件。如果判断为匹配，则使用`sql_function`对SQL进行处理，反之则不使用。	当前支持对SQL中的表的存在进行判断，支持`&&`、`\|\|`、`!!`三种条件，分别表示与、或、非。当`sql_condition`为空或空字符串时，表示对于所有SQL均匹配。	若`sql_condition`=`user_info\|\|sales_info&&!!stock_info`，则表示：如果表`user_info`在SQL中，或者表`sales_info`在SQL中且`stock_info`不在SQL中，则条件匹配。例如，对于SQL`SELECT * FROM user_info`，则条件匹配；对于SQL`SELECT * FROM sales_info`，依然匹配；对于SQL`SELECT ss.sale_total FROM sales_info ss join stock_info sk on ss.sku = sk.sku`，则不匹配。
sql_function	对SQL进行处理，可用于对业务逻辑中的值映射进行强制处理。当`sql_condition`判断为匹配时使用。	当前支持`replace`处理，整体写作JSON格式字符串。	若`sql_function`=`{"replace":{"status = '已创建'":"status = 0","status = '已完成'":"status = 1","status = '已删除'":"status = 2"}}`，则表示：当`sql_condition`匹配时，将SQL中的`status = '已创建'`替换为`status = 0`，`status = '已完成'`替换为`status = 1`，`status = '已删除'`替换为`status = 2`。