Text2SQL的“底层逻辑”！手撸Ollama+Qwen3-Coder，让你彻底搞懂AI是如何写SQL的！

关注

原创最新推荐文章于 2026-10-08 14:47:01 发布 790 阅读 AI 写同款· GEO 优化 ›

基于AI Agent的智能Text2SQL系统：架构设计与工程实践 Text2SQL技术旨在将自然语言查询自动转换为结构化查询语言（SQL），是实现数据民主化和提升数据分析效率的关键。其核心原理是结合大语言模型的语义理解能力与数据库的精确操作指令，通过理解用户意图、解析数据库模式并生成可执行代码，完成从自然语言到机器指令的转化。这项技术的价值在于显著降低了非技术人员与数据库交互的门槛，将复杂的数据查询任务自动化。其应用场景广泛，包括商业智能、数据中台、低代码平台以及各类需要即时数据获取的业务系统。本文聚焦于如何将AI Agent的架构思想引入Text2SQL领域，构建一个具阅读详情

核心流程：

阶段	步骤	组件/动作	描述
初始化	1	配置数据库和模型	设置 `DATABASE_CONFIG` 字典，选择要使用的数据库类型（如 SQLite, MySQL），并配置 Ollama 的 API 地址和模型。
	2	创建数据库引擎	使用 `SQLAlchemy.create_engine()` 根据配置的 URL 创建一个数据库引擎对象，用于后续所有数据库操作。
查询执行	3	用户输入	接收用户的自然语言问题。
	4	获取数据库模式	调用 `SQLAlchemy.inspect()` 获取所有表的名称、列信息、数据类型和主键，并格式化为文本。
	5	构建 Prompt	将用户问题和数据库模式信息组合成一个“代码补全”式的 Prompt，强烈引导 LLM 输出 SQL 语句。
	6	调用 Ollama API	使用 `requests.post()` 将构建好的 Prompt 发送给本地 Ollama 服务的 `/api/generate` 端点。
	7	解析 SQL 响应	从 Ollama 返回的 JSON 中提取 `response` 字段，并进行清理，得到纯 SQL 语句。
	8	安全检查	检查生成的 SQL 语句是否以 `SELECT` 或 `WITH` 开头，确保其为只读查询，防止恶意操作。
	9	执行 SQL 查询	使用 SQLAlchemy 引擎的 `execute()` 方法执行安全的 SQL 语句。
	10	获取查询结果	从执行结果中获取所有数据行 (`fetchall()`) 和列名 (`keys()`)。
	11	格式化并显示	将列名和数据行组合成一个对齐的、易于阅读的表格形式，并打印给用户。

代码如下：（生成数据库的代码见:AI 大模型实践笔记 8：text2sql之使用langchain+qwen3+rag实现（附案例，最佳实现方式）数据准备阶段）

import requests
from sqlalchemy import create_engine, text, inspect
from sqlalchemy.exc import SQLAlchemyError
import os
# --- 配置 ---
OLLAMA_API_URL = "http://localhost:11434/api/generate"
LLM_MODEL = "qwen3-coder:30b"
# 在这里配置你的数据库连接信息
# 只需要取消注释你想要使用的数据库配置即可
DATABASE_CONFIG = {
# SQLite 配置
"sqlite": {
"url": "sqlite:///data/banking.db"
},
# # MySQL 配置示例
# "mysql": {
#     "url": "mysql+mysqlconnector://user:password@host:port/database"
# },
# # PostgreSQL 配置示例
# "postgresql": {
#     "url": "postgresql+psycopg2://user:password@host:port/database"
# }
}
# 选择要使用的数据库
DB_TYPE = "sqlite" # 可以改为 "mysql" 或 "postgresql"
DB_URL = DATABASE_CONFIG[DB_TYPE]["url"]
def get_database_schema_via_sqlalchemy(db_url: str) -> str:
"""使用 SQLAlchemy 内省功能获取数据库模式"""
try:
engine = create_engine(db_url)
inspector = inspect(engine)
schema_statements = []
table_names = inspector.get_table_names()
if not table_names:
print("警告: 数据库中没有找到任何表。")
return ""
for table_name in table_names:
columns = inspector.get_columns(table_name)
# 获取主键信息
pk_columns = inspector.get_pk_constraint(table_name)['constrained_columns']
schema_statements.append(f"-- Table: {table_name}")
schema_statements.append("-- Columns:")
for col in columns:
is_pk = " (Primary Key)" if col['name'] in pk_columns else ""
schema_statements.append(f"--   - {col['name']} ({col['type']}){is_pk}")
schema_statements.append("") # 添加空行分隔
return "\n".join(schema_statements)
except SQLAlchemyError as e:
print(f"❌ 数据库连接或内省失败: {e}")
return ""
def is_safe_sql(sql: str) -> bool:
"""简单的安全检查，确保 SQL 是只读的"""
sql_upper = sql.strip().upper()
return sql_upper.startswith('SELECT') or sql_upper.startswith('WITH')
def ask_database(question: str):
"""
接收用户问题，通过 Ollama 生成 SQL，执行并返回结果。
"""
print(f"\n{'='*50}")
print(f"用户问题: {question}")
print(f"{'='*50}\n")
try:
# 1. 获取数据库模式
print(f"--- 步骤 1: 从 {DB_TYPE} 数据库加载模式 ---")
schema = get_database_schema_via_sqlalchemy(DB_URL)
if not schema:
print("无法获取数据库模式，终止查询。")
return
# 2. 构建 "代码补全" 式的 Prompt
print("--- 步骤 2: 构建 Prompt 并请求 LLM ---")
prompt = f"""
你是一个 SQL 专家。请根据下面提供的数据库表结构，补全后面的 SQL 查询语句以回答用户的问题。
只输出补全后的 SQL 语句本身，不要包含任何解释、markdown 格式或其他任何文字。
-- 数据库表结构:
{schema}
-- 用户问题: {question}
SELECT
"""
# 3. 调用 Ollama API
payload = {
"model": LLM_MODEL,
"prompt": prompt,
"stream": False,
"options": { "temperature": 0.1 }
}
response = requests.post(OLLAMA_API_URL, json=payload)
response.raise_for_status()
generated_sql = response.json().get('response', '').strip()
generated_sql = generated_sql.replace('```sql', '').replace('```', '').strip()
print(f"生成的 SQL:\n```sql\n{generated_sql}\n```")
# 4. 安全检查并执行 SQL
print("--- 步骤 3: 执行 SQL 查询 ---")
if not is_safe_sql(generated_sql):
print("❌ 安全警告: 生成的 SQL 不是只读查询，已拒绝执行。")
return
engine = create_engine(DB_URL)
with engine.connect() as conn:
result = conn.execute(text(generated_sql))
rows = result.fetchall()
# 获取列名，用于更友好的显示
column_names = result.keys()
# 5. 格式化并显示结果
if rows:
print(f"✅ 查询成功，找到 {len(rows)} 条结果:")
# 打印列名
print(" | ".join(column_names))
print("-" * (len(" | ".join(column_names))))
# 打印每一行数据
for row in rows:
print(" | ".join(map(str, row)))
else:
print("✅ 查询成功，但没有找到任何数据。")
except requests.exceptions.ConnectionError:
print("❌ 错误: 无法连接到 Ollama 服务。请确保 Ollama 正在运行。")
except SQLAlchemyError as e:
print(f"❌ 数据库操作错误: {e}")
except Exception as e:
print(f"❌ 发生未知错误: {e}")
# --- 主程序 ---
if __name__ == "__main__":
# 确保 banking.db 存在，如果不存在则提示用户
if DB_TYPE == "sqlite" and not os.path.exists("banking.db"):
print("❌ 错误: 'banking.db' 文件不存在。请先运行数据准备脚本创建它。")
else:
questions = [
"我们一共有多少个客户？",
"列出所有申请了住房贷款的客户姓名。",
"客户 '张三' 的所有账户的总余额是多少？",
"找出所有交易金额大于 4000 的交易详情。",
"删除账户表的数据"
]
for q in questions:
ask_database(q)
print("\n" + "-"*50 + "\n")

执行结果：

思考：

1.为什么选用coder模型？经过测试，如果使用chat模型，速度会非常慢，需要几秒钟才能输出查询语句，如果使用coder模型，采用代码补全方式可以在一秒内补全出sql语句。

2.代码中第二个问题，并没有回答正确，原因是提供的资料不足，大模型不知道字段的具体值有哪几种类型，如果再提供一些描述信息，是可以回答准确的。

3.最终提供的查询结果，可以将问题、sql、查询结果，发给chat模型总结输出。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述