全部标签
写点什么
开源架构OpenHarmony算法元宇宙学习方法Web3.0高效工作数据库Python音视频前端AI大数据团队管理程序员运维深度思考低代码redisgolang微服务架构flutter 查看更多

AI-Compass NLP2SQL 模块：集成 Chat2DB、DB-GPT、MindsDB 等核心工具，实现自然语言到 SQL 转换的智能化数据查询生态系统

作者：汀丶人工智能
  • 2025-07-20
    浙江

  • 本文字数：9655 字

    阅读完需：约 32 分钟

AI-Compass NLP2SQL 模块：集成 Chat2DB、DB-GPT、MindsDB 等核心工具，实现自然语言到 SQL 转换的智能化数据查询生态系统

AI-Compass 致力于构建最全面、最实用、最前沿的 AI 技术学习和实践生态，通过六大核心模块的系统化组织，为不同层次的学习者和开发者提供从完整学习路径。



<div align="center"><p>🌟 如果本项目对您有所帮助，请为我们点亮一颗星！🌟</p></div>

📋 核心模块架构：

  • 🧠 基础知识模块：涵盖 AI 导航工具、Prompt 工程、LLM 测评、语言模型、多模态模型等核心理论基础

  • ⚙️ 技术框架模块：包含 Embedding 模型、训练框架、推理部署、评估框架、RLHF 等技术栈

  • 🚀 应用实践模块：聚焦 RAG+workflow、Agent、GraphRAG、MCP+A2A 等前沿应用架构

  • 🛠️ 产品与工具模块：整合 AI 应用、AI 产品、竞赛资源等实战内容

  • 🏢 企业开源模块：汇集华为、腾讯、阿里、百度飞桨、Datawhale 等企业级开源资源

  • 🌐 社区与平台模块：提供学习平台、技术文章、社区论坛等生态资源

📚 适用人群：

  • AI 初学者：提供系统化的学习路径和基础知识体系，快速建立 AI 技术认知框架

  • 技术开发者：深度技术资源和工程实践指南，提升 AI 项目开发和部署能力

  • 产品经理：AI 产品设计方法论和市场案例分析，掌握 AI 产品化策略

  • 研究人员：前沿技术趋势和学术资源，拓展 AI 应用研究边界

  • 企业团队：完整的 AI 技术选型和落地方案，加速企业 AI 转型进程

  • 求职者：全面的面试准备资源和项目实战经验，提升 AI 领域竞争力


NLP2SQL 模块构建了涵盖 10+主流平台的自然语言到 SQL 转换技术生态，实现数据库查询的智能化和民主化。该模块整合了 Chat2DB AI 驱动数据管理平台、DB-GPT 原生数据应用开发框架、MindsDB 企业 AI 平台、Vanna 个性化 SQL 智能体、sqlchat 对话式 SQL 客户端等核心工具，覆盖了从个人查询到企业级数据分析的全场景需求。技术栈包含了 Dataherald 自然语言 SQL API、SuperSonic 腾讯 BI+AI 平台、WrenAI 开源 Text2SQL 解决方案、sqlcoder SOTA 语言模型等专业组件，以及 Awesome-Text2SQL 汇总资源、DB-GPT-Hub 模型数据集、LLaMA-Factory 高效微调等开发支持。


模块深度集成了 RAG 检索增强生成、AWEL 智能体工作流表达语言、多模型切换支持、数据库元数据理解等核心技术，支持复杂查询分解、多表关联分析、聚合函数处理、嵌套子查询生成等高级功能。此外，还提供了 BIRD-bench、Spider 等权威评估基准、模型微调与部署指南、跨数据库方言适配方案，以及 Agile Query 大数据分析平台等行业应用案例，帮助开发者构建高精度、高可用的自然语言数据查询系统，真正实现让非技术用户也能轻松进行复杂数据库操作的技术愿景。

目录

  1. 1.Chat2DB

  2. 1.DB-GPT

  3. 1.MindDB

  4. 1.Vanna

  5. 1.sqlchat

  6. 2.Dataherald

  7. 2.SuperSonic

  8. 2.WrenAI

  9. 2.sqlcoder

  10. 5.其他 github 项目

  11. 榜单

  12. 行业案例


================================================================================

3.NL2SQL


1.Chat2DB

简介

Chat2DB 是一款 AI first 的数据管理、开发、分析工具，核心为 AIGC 能力，可实现自然语言与 SQL 互转、自动生成报表。提供网页和客户端两种使用方式，有 Pro 和 Local 两个版本，适用于不同场景。


核心功能

  • 数据库连接：支持多种数据库，可创建、测试连接。

  • 数据库开发：实现数据库增删改查，支持手动或 AI 一键建表。

  • 数据分析：可新建看板，支持手动或 AI 生成报表、图表。

  • AI 功能：自然语言查询数据库、SQL 转自然语言。

技术原理

运用 AIGC（Artificial Intelligence Generation Code）技术，将自然语言处理技术应用于数据库操作，实现自然语言与 SQL 的相互转换，辅助用户进行数据库开发和数据分析。

应用场景


1.DB-GPT

简介

DB-GPT 是一个开源的 AI 原生数据应用开发框架，通过结合 AWEL（Agentic Workflow Expression Language）和多智能体（Agents）技术，旨在构建大型模型领域的数据基础设施。它致力于简化用户与各种数据源（如 Excel、数据库、数据仓库）的自然语言交互，赋能数据分析和报告生成，实现数据应用的 AI 化。


核心功能

  • 多模型管理 (SMMF): 支持集成和管理多种大型语言模型（LLMs），优化其在数据领域的应用。

  • Text-to-SQL/NL2SQL: 提供从自然语言到 SQL 语句的转换能力，以及基于 SQL 语句的解释，并持续优化 Text-to-SQL 效果。

  • RAG (Retrieval-Augmented Generation) 框架: 强化检索增强生成能力，提升模型回答的准确性和相关性。

  • 多智能体框架与协作: 构建支持多智能体协同工作的机制，以完成复杂的数据任务。

  • AWEL (Agentic Workflow Expression Language): 代理工作流编排语言，用于定义和管理智能体之间的协作流程。

  • 数据应用开发与插件扩展: 提供开发智能数据应用的能力，并通过dbgpts插件仓库扩展功能，包含数据应用、AWEL 操作符、工作流模板和智能体。

  • 前端可视化: 提供了基于 Next.js 和 Tailwind 的 DB-GPT-Web 项目，将 LLM 的交互转化为可视化界面，支持图表展示、插件运行状态等。

  • 知识库问答 (KBQA): 构建基于知识库的问答系统。

技术原理

DB-GPT 的核心技术原理是围绕大型语言模型（LLMs）构建一个分层的 AI 原生数据应用开发架构。


  1. Agentic Workflow Expression Language (AWEL): 作为核心编排层，AWEL 允许开发者通过定义模块化的智能体（Agents）和操作符（Operators）来构建复杂的数据处理工作流。这类似于数据管道的智能自动化，每个智能体负责特定任务，并通过 AWEL 进行任务分配和结果整合。

  2. LLM 驱动的数据交互: 利用 LLMs 的自然语言理解和生成能力，实现 Text-to-SQL、NL2SQL 以及知识库问答。这包括对 LLMs 进行 SFT（Supervised Fine-Tuning）以优化其在特定领域的性能，例如针对 Text-to-SQL 任务的性能提升。

  3. 多模态数据处理与管理: 框架支持处理多种数据源，通过集成统一的数据接口和数据管理模块，使得 LLMs 能够与结构化（数据库、Excel）和非结构化数据进行交互。

  4. RAG 机制: 为增强 LLMs 在特定数据上下文中的表现，DB-GPT 集成了 RAG 框架。它通过外部知识检索，为 LLMs 提供更准确和最新的信息，以生成高质量的回答或执行数据操作。

  5. 插件化架构: dbgpts仓库体现了其高度可扩展的插件化设计。用户或开发者可以贡献和安装各种预定义的数据应用、AWEL 操作符和智能体，从而轻松扩展系统功能，适应不同的业务需求。

  6. 前端可视化技术: DB-GPT-Web 项目采用 Next.js 和 Tailwind CSS 构建，将后端 LLM 处理结果进行前端渲染，实现“LLM to Vision”。通过美化 Markdown 标签和定义 AI 特定场景的自定义标签（如plugin running, knowledge name, Chart view），提供直观的用户交互和数据可视化。

应用场景

  • 智能数据分析与报表生成: 用户可以通过自然语言查询数据，自动生成 SQL，并获取数据分析结果或可视化报表，极大地降低数据分析门槛。

  • 企业级 BI 与决策支持: 赋能企业用户，使其能够以对话方式获取业务洞察，辅助商业决策。

  • 数据库交互与管理简化: 开发人员和 DBA 可以利用自然语言与数据库进行交互，简化查询、管理和维护操作。

  • 领域特定知识库构建与问答: 结合 RAG 和 KBQA，为特定行业或企业内部知识提供智能问答系统，提高信息检索效率。

  • 定制化数据应用开发: 开发者可以基于 DB-GPT 框架和 AWEL，快速构建符合特定业务需求的 AI 原生数据应用。

  • 数据科学与机器学习流程自动化: 通过智能体编排，自动化数据预处理、模型训练和结果评估等数据科学流程。

  • 教育与研究: 为 Text2SQL、LLM 与数据交互等领域的研究提供平台和资源。



1.MindDB

简介

MindsDB 是一个开源服务器，可部署在从笔记本电脑到云端的任何地方。其架构围绕连接、统一和响应三大核心能力构建，能连接数百个企业数据源，使用完整的 SQL 方言查询，还可通过虚拟表统一异构数据，用户能通过内置代理或 MCP 协议与数据交互，常见用例包括微调模型、聊天机器人等。


核心功能

  • 数据连接：可连接数百个企业数据源。

  • 数据统一：使用 SQL 方言查询多数据源，通过虚拟表（视图、知识库、机器学习模型）和作业（JOBS）统一异构数据。

  • 数据响应：通过内置代理和 MCP 协议与连接和统一后的数据交互以获取答案。

  • 支持常见用例：如微调模型、聊天机器人、警报系统等。

技术原理

MindsDB 内置 MCP 服务器，其架构基于连接、统一、响应三个核心能力。连接数据时通过多种集成方式访问不同数据源；统一数据利用联邦查询引擎将 SQL 查询翻译并执行在相应数据源，还通过虚拟表和作业处理异构数据；响应数据借助内置代理和 MCP 协议实现与数据交互。

应用场景


1.Vanna

简介

Vanna 是一个采用 MIT 许可的开源 Python RAG（检索增强生成）框架，用于 SQL 生成及相关功能。它借助 RAG 技术，通过对数据进行训练，将用户问题转化为 SQL 查询语句，可连接多种 SQL 数据库、支持众多 LLM 和向量数据库，具有高精度、安全私密、自学习等特点。Vanna 提供云服务、自托管企业版、嵌入式和开源版等多种产品形态。


核心功能

  • 文本转 SQL：把自然语言问题准确转化为 SQL 查询语句。

  • 多数据库支持：可连接 PostgreSQL、MySQL 等多种 SQL 数据库。

  • 多 LLM 和向量库支持：支持 OpenAI、Anthropic 等多种 LLM，以及 AzureSearch、ChromaDB 等向量数据库。

  • 训练功能：可通过 DDL 语句、文档、SQL 查询等进行训练，提升复杂数据集的准确性。

  • 自学习：能存储正确的问题与 SQL 对，不断提高未来结果的准确性。

  • 可视化：自动生成 Plotly 图表。

技术原理

Vanna 基于 RAG 技术，通过训练“模型”存储元数据。训练时，将 DDL 语句、文档、SQL 查询等数据添加到参考语料库。用户提问时，从参考语料库中找出最相关的 10 条训练数据，作为 LLM 提示的一部分来生成 SQL 查询语句，且数据库内容不会发送给 LLM 或向量数据库，SQL 执行在本地环境完成。

应用场景


1.sqlchat

简介

SQL Chat 是一个基于聊天的 SQL 客户端，由 Next.js 构建。用户可使用自然语言与数据库沟通，实现查询、修改、新增、删除等操作。它支持 MySQL、PostgreSQL、MSSQL 等多种数据库，还提供自托管和数据保密等功能。

核心功能

  • 自然语言交互：允许用户用自然语言与数据库进行交互，执行各类数据库操作。

  • 多数据库支持：支持 MySQL、PostgreSQL、MSSQL、TiDB Cloud、OceanBase 等数据库。

  • 自托管部署：可通过 Docker 进行自托管部署，支持不同启动参数配置。

  • 账号系统与支付：开启数据库使用时，具备账号系统、用户额度、支付和使用数据收集功能。

技术原理

SQL Chat 基于 Next.js 构建，借助 OpenAI API 实现自然语言处理。它将用户的自然语言请求转化为 SQL 语句，与支持的数据库进行交互。在自托管部署时，使用 Docker 容器化技术，结合环境变量配置相关参数。

应用场景


2.Dataherald

简介

Dataherald 是一个专为企业级问答设计的自然语言转 SQL 引擎，旨在通过允许用户使用日常英语提问来查询结构化数据。它能够将自然语言转换为 SQL 查询，从而方便业务用户无需数据分析师的介入即可获取数据库中的洞察。

核心功能

  • 自然语言到 SQL 转换： 核心功能是将用户输入的自然语言问题准确地转换为可执行的 SQL 查询语句。

  • 企业级数据查询： 提供针对企业结构化数据进行高效、准确问答的能力。

  • API 接口构建： 允许从数据库设置 API，以便外部系统或应用通过自然语言接口访问数据。

  • 数据洞察获取： 赋能业务用户直接从数据仓库中获取所需信息和洞察，减少对专业数据人员的依赖。

技术原理

Dataherald 的核心技术原理在于利用大型语言模型（LLMs）处理和理解自然语言，并将其意图映射到数据库的结构化查询语言（SQL）上。这涉及复杂的自然语言处理（NLP）、语义解析以及数据库模式理解。通过深度学习和预训练模型，系统能够识别用户查询中的实体、关系和操作，并生成语法正确且逻辑准确的 SQL 语句，以实现对数据库的交互式查询。

应用场景

  • 业务智能（BI）： 业务分析师和管理人员可以直接通过自然语言提问，获取销售数据、客户行为、运营指标等报表和分析结果，而无需编写复杂的 SQL。

  • 自助式数据探索： 赋能非技术背景的员工进行数据自助探索，快速获取所需数据，提升工作效率。

  • 客户服务与支持： 将自然语言查询能力集成到客户服务系统中，使客服人员能更快地响应客户关于产品、订单或账户数据的查询。

  • 数据分析与报告自动化： 简化数据分析流程，加速报告生成，减少人工干预。



2.SuperSonic

简介

SuperSonic 是腾讯音乐开源的下一代 AI+BI 平台，它将基于大语言模型（LLM）的 Chat BI 和基于语义层的 Headless BI 两种模式相统一，为用户提供自然语言查询数据及可视化结果的体验，同时具备可扩展性和可组合性。

核心功能

  • 提供 Chat BI 界面，支持用户用自然语言查询数据并可视化结果。

  • 提供 Headless BI 界面，方便分析工程师构建语义数据模型。

  • 内置基于规则的语义解析器，在特定场景提高效率。

  • 支持输入自动补全、多轮对话及查询后推荐。

  • 实现数据集级、列级和行级的三级数据访问控制。

技术原理

  • 知识库：定期从语义模型提取模式信息，构建字典和索引以方便模式映射。

  • 模式映射器：识别用户查询中对模式元素的引用，与知识库进行匹配。

  • 语义解析器：结合基于规则和基于 LLM 的解析器，理解用户查询并生成语义查询语句。

  • 语义校正器：结合基于规则和基于 LLM 的校正器，检查语义查询语句的有效性并校正。

  • 语义翻译器：将语义查询语句转换为可在物理数据模型上执行的 SQL 语句。

  • 聊天插件：借助 LLM 从配置的第三方工具中选择合适插件扩展功能。

  • 聊天记忆：封装历史查询轨迹，便于少样本提示。

应用场景


2.WrenAI

简介

Wren AI 是一个开源的生成式商业智能（GenBI）代理，可让用户用自然语言查询任何数据库，在数秒内获得准确的 SQL、图表和 AI 生成的见解。该项目易于设置，支持多种数据源和大语言模型。

核心功能

  • 与数据交互：用任意语言提问，获取精确的 SQL 和答案，降低 SQL 学习成本。

  • 生成商业智能见解：由 AI 生成摘要、图表和报告，一键获取决策所需信息。

  • 语义层：使用 MDL 模型对数据库架构、指标和连接进行编码，确保大语言模型输出准确且可控。

  • 支持 API 嵌入：可在应用程序中生成查询和图表，用于构建自定义代理、SaaS 功能和聊天机器人。

技术原理

Wren AI 利用语义层的 MDL 模型对数据库的架构、指标和连接进行编码，以此规范大语言模型的输出，保证其准确性和可控性。它集成多种大语言模型，借助这些模型的能力，将自然语言转化为精确的 SQL 语句、图表以及生成见解。

应用场景

  • 数据分析：用户无需掌握复杂的 SQL 知识，即可通过自然语言查询数据库，获取所需数据和分析结果。

  • 决策支持：AI 生成的摘要、图表和报告能为决策者快速提供决策所需的信息和背景。

  • 软件开发：可通过 API 将 Wren AI 嵌入到应用程序中，构建自定义代理、SaaS 功能和聊天机器人。

  • Canner/WrenAI: Open-source Text-to-SQL solution, Wren AI makes your database RAG-ready.


2.sqlcoder

简介

Defog 的 SQLCoder 是一系列将自然语言问题转换为 SQL 查询的先进大语言模型（LLMs）。在 sql - eval 框架的自然语言到 SQL 生成任务中，其表现优于 gpt - 4 和 gpt - 4 - turbo，并显著超越所有流行的开源模型。

核心功能

  • 将自然语言问题准确转换为 SQL 查询。

  • 可连接数据库，添加元数据并进行可视化查询。

技术原理

基于大语言模型技术，通过在超 20000 个人工策划的问题（基于 10 种不同模式）上进行训练，学习自然语言与 SQL 查询之间的映射关系。

应用场景


5.其他 github 项目

简介

本系列内容涵盖了大型语言模型（LLM）的高效微调框架以及将自然语言转化为 SQL 查询（NL2SQL）的多种方法和工具。LLaMA-Factory 提供了一个统一且高效的 LLM 微调平台，而其他项目则专注于利用 LLM 实现文本到 SQL 的转换，包括通过微调、少样本学习和 RAG（检索增强生成）等技术，旨在简化用户与数据库的交互。

核心功能

  • LLM 高效微调: 提供统一框架，支持对超过 100 种 LLMs 和 VLMs 进行高效微调，包括 Llama 系列模型，并支持 LoRA、FSDP+QLoRA 等优化技术。

  • 文本到 SQL 转换 (Text-to-SQL/NL2SQL):

  • 通过微调 LLM（如 Llama 2）实现自然语言到 SQL 的生成。

  • 采用高效少样本（Few-shot）方法，利用强大的 LLM（如 GPT-4）直接生成 SQL。

  • 利用 RAG 机制，结合 LLM 生成精准的 SQL 查询。

  • 数据库交互与集成: 能够将生成的 SQL 应用于 PostgreSQL、MySQL、SQLite、Snowflake、BigQuery 等多种数据库。

  • 数据可视化与分析: 支持将查询结果转化为图表，提供 AI 聊天机器人响应，以实现更直观的数据交互。

技术原理

  • 参数高效微调 (PEFT): LLaMA-Factory 广泛采用 LoRA（Low-Rank Adaptation）等技术，通过只微调少量参数来高效地适应大型模型，大幅减少计算资源和时间消耗。

  • 分布式训练: 结合 FSDP (Fully Sharded Data Parallel) 和 QLoRA (Quantized LoRA) 等技术，实现对超大规模模型的分布式高效微调，使其能在有限硬件资源上运行。

  • 少样本学习 (Few-shot Learning): DAIL-SQL 通过向 LLM 提供少量输入-输出示例，使其能在不进行大量参数更新的情况下，对新任务（如 NL2SQL）展现出强大的泛化能力。

  • 检索增强生成 (RAG): MindSQL 利用 RAG 架构，在生成 SQL 查询前先从外部知识库（如数据库 Schema 信息）中检索相关信息，然后 LLM 基于检索到的信息和用户输入生成更准确的 SQL，有效解决了 LLM 的幻觉和时效性问题。

  • LlamaIndex 集成: run-llama/modal_finetune_sql 利用 LlamaIndex 框架，实现 LLM 与结构化数据源的连接和交互，提供强大的数据分析能力。

应用场景

  • 定制化 LLM 开发: 研究人员和开发者可以高效地微调特定领域的 LLM，以适应各种垂直应用场景。

  • 自然语言数据库查询: 非技术用户可以通过自然语言直接与数据库交互，查询数据，无需掌握复杂的 SQL 语法。

  • 智能数据分析: 结合 Text-to-SQL 能力，实现自动化数据提取和初步分析，提升数据洞察效率。

  • AI 辅助编程与开发: 辅助开发人员快速生成或验证 SQL 查询，提高开发效率。

  • 企业级数据平台: 构建基于自然语言的智能 BI（商业智能）工具和数据问答系统，赋能业务用户进行自助式数据探索。



榜单

简介

BIRD 是用于大规模数据库文本到 SQL 评估的跨领域数据集，含超 12751 个问题 - SQL 对、95 个大数据库，覆盖 37 个专业领域。Spider 是大规模复杂跨领域语义解析和文本到 SQL 数据集，含 10181 个问题和 5693 个唯一复杂 SQL 查询，覆盖 138 个不同领域，已发布 2.0 版本。

核心功能

  • BIRD-bench：评估大规模数据库下文本到 SQL 解析能力，为相关研究提供跨领域、大规模数据支持。

  • Spider：用于语义解析和文本到 SQL 任务的研究与评估，推动自然语言接口到跨领域数据库技术发展。

技术原理

  • BIRD-bench：通过构建大规模、跨领域的数据库和问题 - SQL 对，考察数据库内容对文本到 SQL 解析的影响，以评估模型在复杂数据库环境下的性能。

  • Spider：利用人工标注构建大规模问题 - SQL 查询数据集，涵盖多领域多表数据库，促使模型学习跨领域语义解析和文本到 SQL 转换能力。

应用场景

  • BIRD-bench：适用于区块链、医疗、教育等专业领域的数据库文本到 SQL 解析研究和应用，如医疗数据查询、教育数据统计等。

  • Spider：可用于自然语言处理、数据库交互等领域，如开发自然语言接口实现用户用自然语言查询数据库，辅助数据科学和工程工作流自动化。

  • BIRD-bench

  • Spider: Yale Semantic Parsing and Text-to-SQL Challenge


行业案例

简介

Agile Query 是一款替代 Thoughtspot 的搜索式数据分析工具，可将复杂数据分析转化为简单搜索，为业务人员和数据分析师赋能，加速数据驱动决策落地，同时降低成本和错误率，帮助企业在数据智能时代抢占先机。

核心功能

  • 搜索式驱动数据分析，将复杂分析转化为简单搜索。

  • 自动生成查询 SQL，实现高性能、多表查询。

  • 支持高级分析函数，构建复杂计算指标。

  • 提供多维度分析和个性化指标，满足多样化需求。

  • 业务用户可独立完成数据查询和分析，即时响应业务需求。

技术原理

  • 运用 SQL 编译器和高级查询语言，根据用户需求自动生成高效准确的 SQL。

  • 内置优化机制，提升查询性能和资源利用效率。

  • 通过算法动态生成 SQL，确保数据正确率，降低手工写 SQL 的数据错误风险。

  • 智能多表查询功能，根据表关联关系和用户投影字段计算参与计算的表，并生成相应子查询。

应用场景

  • 餐饮连锁企业：快速洞察各门店销售数据，实时调整运营策略，优化营销活动和供应链管理。

  • 企业总部：进行多维度分析，为决策提供支持，加速数据驱动决策的落地。

  • 业务用户和数据分析师：独立完成数据查询和分析，减少对 IT 团队的依赖，降低跨部门沟通成本。

  • 应对业务变化：快速响应市场或业务环境的变化，避免丢失商业机会。

  • 基于 AI 的大数据分析平台 | Agile Query




<div align="center"><p>🌟 如果本项目对您有所帮助，请为我们点亮一颗星！🌟</p></div>

划线
评论
复制
发布于: 刚刚阅读数: 2

版权声明: 本文为 InfoQ 作者【汀丶人工智能】的原创文章。

原文链接:【http://xie.infoq.cn/article/a9cab141398bd0541a5f8aa33】。

本文遵守【CC-BY 4.0】协议，转载请保留原文出处及本版权声明。

用户头像

汀丶人工智能

关注

本博客将不定期更新关于NLP等领域相关知识 2022-01-06 加入

本博客将不定期更新关于机器学习、强化学习、数据挖掘以及NLP等领域相关知识，以及分享自己学习到的知识技能，感谢大家关注！

评论

发布
暂无评论
Copyright © 2025, Geekbang Technology Ltd. All rights reserved. 极客邦控股（北京）有限公司 | 京 ICP 备 16027448 号 - 5京公网安备京公网安备 11010502039052号 | 产品资质
AI-Compass NLP2SQL模块：集成Chat2DB、DB-GPT、MindsDB等核心工具，实现自然语言到SQL转换的智能化数据查询生态系统_汀丶人工智能_InfoQ写作社区