Text-to-SQL实战：用Google Palm和LangChain构建自然语言数据库查询系统

探索如何使用大语言模型将自然语言问题自动转换为SQL查询，实现与MySQL数据库的智能对话交互。

• 原作者/维护者：Time4636
• 来源平台：github
• 原始标题：LLM-Langchain
• 原始链接：https://github.com/Time4636/LLM-Langchain
• 来源发布时间/更新时间：2026-06-11T18:14:33Z

原作者与来源

• 原作者/维护者：Time4636
• 来源平台：github
• 原始标题：LLM-Langchain
• 原始链接：https://github.com/Time4636/LLM-Langchain
• 来源发布时间/更新时间：2026-06-11T18:14:33Z 原作者与来源\n\n- 原作者/维护者: Time4636\n- 来源平台: GitHub\n- 原始标题: LLM-Langchain\n- 原始链接: https://github.com/Time4636/LLM-Langchain\n- 发布时间: 2026年6月11日\n\n---\n\n引言：自然语言与数据库的桥梁\n\n数据库是现代应用的核心，但与之交互通常需要掌握SQL语言。对于非技术用户来说，编写复杂的SQL查询是一个巨大的障碍。想象一下，如果商店经理可以直接问"我们还有多少件白色阿迪达斯T恤库存？"，而不需要学习SQL语法，这将大大提升数据访问的效率。\n\nText-to-SQL技术正是为了解决这个问题而生。通过大语言模型（LLM）的理解能力，系统可以将自然语言问题自动转换为精确的SQL查询，让任何人都能轻松地从数据库中获取信息。\n\n---\n\n项目概述\n\n本项目构建了一个端到端的自然语言到SQL查询系统，基于Google Palm大语言模型和LangChain框架。系统能够理解用户用自然语言提出的问题，自动生成对应的SQL查询，并在MySQL数据库上执行，最后以友好的方式返回答案。\n\n应用场景\n\n项目以"AtliQ Tees"T恤店为示例场景：\n\n- 商店销售多个品牌的T恤（Adidas、Nike、Van Heusen、Levi's）\n- 库存、销售和折扣数据存储在MySQL数据库中\n- 商店经理可以用自然语言查询各种业务问题\n\n典型查询示例\n\n系统能够处理各种复杂的业务查询：\n\n- 库存查询: "我们还有多少件白色阿迪达斯T恤库存？"\n- 多条件筛选: "我们还有多少件Nike品牌的XS码白色T恤？"\n- 价格计算: "所有S码T恤的库存总价是多少？"\n- 折扣后销售预测: "如果我们今天卖出所有小码阿迪达斯T恤，扣除折扣后的销售额是多少？"\n\n---\n\n技术架构\n\n项目采用了现代AI应用开发的主流技术栈：\n\n核心技术组件\n\n- Google Palm LLM: 提供自然语言理解和SQL生成能力\n- LangChain: 大语言模型应用开发框架，简化LLM与外部工具的集成\n- Hugging Face Embeddings: 用于语义相似度计算和向量检索\n- ChromaDB: 向量数据库，存储示例查询的嵌入向量\n- Streamlit: 快速构建交互式Web界面\n- MySQL: 关系型数据库，存储业务数据\n\n少样本学习（Few-Shot Learning）\n\n项目使用了少样本学习技术来提升SQL生成的准确性。系统预先存储了一些"问题-SQL"示例对，当用户提出新问题时，系统会检索最相似的示例作为上下文，帮助LLM生成更准确的查询。\n\n这种方法的优势在于：\n\n- 无需微调模型: 利用现有LLM的能力，不需要昂贵的模型训练\n- 快速适应: 通过添加新的示例，可以快速适应不同的数据库结构\n- 成本效益: 比完全依赖LLM的推理能力更可靠、更经济\n\n---\n\n系统工作流程\n\n整个系统的数据处理流程如下：\n\n1. 用户输入\n\n用户在Streamlit界面中用自然语言提出问题，例如："How many total t-shirts are left in stock?"\n\n2. 语义检索\n\n系统使用Hugging Face的嵌入模型将用户问题转换为向量，在ChromaDB中检索最相似的少样本示例。这些示例包含了类似问题的SQL查询模式。\n\n3. SQL生成\n\nLangChain将检索到的示例、数据库结构信息和用户问题组合成提示（Prompt），发送给Google Palm LLM。模型根据上下文生成对应的SQL查询。\n\n4. 查询执行\n\n生成的SQL查询在MySQL数据库上执行，获取实际的数据结果。\n\n5. 结果呈现\n\n系统将查询结果以自然语言的形式返回给用户，完成整个交互流程。\n\n---\n\n项目结构与代码组织\n\n\nLLM-Langchain/\n├── main.py Streamlit主应用\n├── langchain_helper.py LangChain核心逻辑\n├── few_shots.py 少样本示例定义\n├── requirements.txt Python依赖\n├── .env.example 环境变量模板\n└── database/\n └── db_creation_atliq_t_shirts.sql 数据库初始化脚本\n\n\n核心模块说明\n\n- main.py: 负责Streamlit界面渲染和用户交互处理\n- langchain_helper.py: 封装了所有LangChain相关的逻辑，包括链（Chain）的定义、少样本检索、SQL生成和执行\n- few_shots.py: 定义了问题和SQL查询的示例对，用于少样本学习\n\n---\n\n快速开始指南\n\n环境准备\n\n1. 克隆仓库\n\nbash\ngit clone https://github.com/Time4636/LLM-Langchain.git\ncd LLM-Langchain\n\n\n2. 安装依赖\n\nbash\npip install -r requirements.txt\n\n\n3. 配置API密钥\n\n在makersuite.google.com获取Google API密钥，并创建.env文件：\n\n\nGOOGLE_API_KEY=\"your_api_key_here\"\n\n\n4. 数据库设置\n\n在MySQL Workbench中执行database/db_creation_atliq_t_shirts.sql脚本创建数据库和表结构。\n\n运行应用\n\nbash\nstreamlit run main.py\n\n\n应用将在浏览器中打开，用户可以开始用自然语言查询数据库。\n\n---\n\n技术亮点与创新点\n\n1. 端到端解决方案\n\n项目提供了从数据建模、LLM集成到用户界面的完整流程，是一个可直接运行的Text-to-SQL系统。\n\n2. 少样本学习策略\n\n通过精心设计的示例对，系统能够在不微调模型的情况下达到较好的准确率，大大降低了部署成本。\n\n3. 模块化设计\n\nLangChain相关的逻辑被封装在独立的模块中，便于测试、复用和扩展。\n\n4. 实际业务场景\n\n以T恤店为示例，展示了Text-to-SQL技术在零售业的实际应用价值。\n\n---\n\n局限性与改进方向\n\n当前局限\n\n- 数据库结构依赖: 系统需要预先了解数据库表结构\n- 复杂查询支持: 对于涉及多表复杂JOIN的查询，准确率可能下降\n- 安全性考虑: 生成的SQL需要经过验证以防止潜在的安全风险\n\n可能的改进\n\n- Schema自动发现: 自动从数据库中提取表结构信息\n- 查询验证层: 添加SQL语法和安全性检查\n- 多轮对话: 支持上下文感知的连续查询\n- 更多数据源: 扩展到PostgreSQL、SQLite等其他数据库\n\n---\n\n结语： democratizing 数据访问\n\nText-to-SQL技术正在改变人们与数据交互的方式。通过大语言模型的强大能力，非技术用户也能轻松地探索数据库、获取洞察。本项目展示了如何用最少的代码和成本构建一个实用的自然语言数据库查询系统。\n\n对于希望进入LLM应用开发领域的开发者来说，这是一个很好的起点。它涵盖了从模型集成、向量检索到Web界面开发的多个方面，同时保持了代码的简洁和可理解性。