实战：代码助手与 SQL 问答

Text-to-SQL 的核心：把表结构喂给模型

from langchain_community.utilities import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///sales.db")
table_info = db.get_table_info()   # 建表语句 + 示例行

sql_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是 SQL 专家。根据表结构把问题转成 SQLite 查询。"
               "只输出一条 SQL，不要解释。\n\n表结构：\n{schema}"),
    ("human", "{question}"),
])
sql_chain = sql_prompt | llm | StrOutputParser()

sql = sql_chain.invoke({"schema": table_info, "question": "上个月销售额最高的三个商品"})

安全执行：只读 + 白名单

LLM 生成的 SQL 绝不能直接执行写操作：

• 数据库账号只授予 SELECT 权限，或使用只读副本；
• 执行前校验：SQL 必须以 SELECT 开头，禁止分号后跟第二条语句；
• 限制返回行数（默认 LIMIT 100），防止全表扫描拖垮库。

sql = sql.strip().rstrip(";")
if not sql.upper().startswith("SELECT"):
    raise ValueError("仅允许查询语句")
result = db.run(sql + " LIMIT 100")

让模型解释结果

answer_chain = ChatPromptTemplate.from_messages([
    ("system", "用中文解释查询结果，给出关键数字和一句话结论。"),
    ("human", "问题：{question}\n结果：{result}"),
]) | llm | StrOutputParser()

进阶方向

• 把表结构与业务术语说明（"GMV=成交总额"）一起入向量库，先检索相关表再生成 —— 多表大库必备；
• 记录每次"问题→SQL"对，用户纠正后作为 few-shot 示例，越用越准。