项目二：AI 智能体开发

https://cnb.cool/jaguarliu.cool/course/langchain-course

https://cnb.cool/jaguarliu.cool/course/rookie-nl2sql

项目概述

• 目标：构建一套从自然语言到 SQL（NL2SQL）的端到端实战项目，服务训练营教学与学员实操。
• 范围：覆盖需求理解、提示工程、工具集成、SQL生成与校验、结果执行与可视化、评估与迭代。

背景与意义

• 降低门槛：非技术/业务用户可以用中文提问，系统自动生成可执行 SQL，提升数据可访问性。
• 提效分析：缩短“问题→查询→结果”的路径，减少手写 SQL 的时间成本与错误率。
• 业务落地：广泛适用于运营分析、BI自助查询、客服质检、数据探索与问答型分析助理等场景。

为什么要做

• NL2SQL兼具“模型+工具+安全+评估”的系统性，能形成可交付的最小可用产品（MVP）。
• 可复用已有的 SQLite 电商库，快速闭环：自然语言→SQL→结果→评估→优化。

如何实现

核心架构

• 模型层：将自然语言解析为 SQL 意图（表/字段选择、过滤、聚合、排序、连接）。
• 工具层：集成 list_tables、get_table_schema、sql_db_schema、sql_db_query_checker等，提供数据库上下文与安全校验。
• 执行层：在只读通道执行校验后的 SQL，返回结果集。
• 验证层：进行语法/语义检查、字段/表存在性校验、结果数据分布合理性判断。
• 展示层：Notebook 或轻前端展示查询、SQL、日志与可视化图表。

技术路线

• 解析策略：先问再答（多轮澄清），对不明确需求通过 schema 提示与追问减少歧义。
• 提示工程：注入数据库 schema 与示例查询，约束输出仅产出 SQL；要求执行前必须调用校验工具。
• 安全与健壮：只读白名单、拒绝 DML（增删改），启用查询检查器与字段/表白名单；自动从错误信息（如 Unknown column）中重写更正。
• 反馈闭环：错误捕获→分析→重写→再次校验执行；形成稳定的错误处理策略。
• 评估机制：构建 NL→SQL 标注集，衡量可执行率、正确率、覆盖率与耗时。

通过本项目可以学到

• 提示工程与工具协作：让模型“理解数据库”，尊重工具边界，遵循安全校验。
• 数据库 Schema 理解：表、字段、主外键、范式、索引对 SQL 生成与性能的影响。
• 应用工程化：从 Notebook 原型到可复用模块（工具、执行、评估、日志），形成可上线的最小产品。
• 错误处理与鲁棒性：语法错误、字段缺失、歧义查询的处理策略与交互设计。
• 评估与度量：测试用例构建、指标设计、不同提示策略的效果对比。
• 可视化与交互：将查询结果转换为图表与报表，面向业务用户交付。

扩展方向

• 多数据库支持：MySQL/PostgreSQL/云数据仓库，跨库 NL2SQL。
• 语义增强：加入实体词典/领域术语映射，减少歧义。
• 可视化模板：自动选择图表类型（柱状、折线、饼图）与维度聚合。
• 权限与审计：提供数据访问控制与操作日志，满足企业级需求。
• 任务编排：批量 NL2SQL、报表定时生成与订阅。

交付物

• 项目文档：架构、流程、提示策略、安全规则、评估报告。
• 代码模块：工具函数、NL→SQL 生成器、校验执行器、评估脚本。
• 数据与用例：训练/验证查询集，标注 SQL 与预期结果。
• 演示：Notebook 或轻前端，一键跑通的实战展示。