Text2SQL智能问答系统开发（一）
开发一个面向企业的chatBI工作流
已完成
- 基础 Text2SQL 功能实现
实现用户输入自然语言问题后，系统能够自动生成 SQL 并执行返回结果。 - 用户交互优化
支持用户通过补充信息对查询进行调整，提升易用性。 - 模糊时间处理机制
对“最近”“近期”等模糊时间关键词进行补全或引导，提升时间表达准确性。
后续优化
- 预定义高频问题与回答
对一些可预见的问题设置高质量回复，提高响应质量和效率。 - 构建高质量知识库
针对数据结构、字段定义、样例问题等，持续完善知识库，确保 SQL 生成的准确率。 - 引入持续学习机制
通过用户反馈和历史数据，不断优化模型能力与表现。
核心能力分析：用户问题分类
Text2SQL 的核心是理解用户意图。为此，我设计了一个问题分类机制，以便动态路由不同类型的问题到合适的处理流程中：
1. 直接提问类（Direct Ask）
例子：“今年公司订单销量为多少？”
处理流程：自然语言 → 表名识别 → SQL 生成 → 执行 → 返回结果
2. 补充或修正类（Refine or Clarify）
例子：“我指的是3月的订单”、“只看前5个客户”
处理流程：
- 获取上次提问或SQL上下文
- 添加或替换时间、字段、过滤条件
- 重新生成SQL或进行增量修正
- 执行并返回
3. 异常反馈类（Error Feedback）
例子：“SQL 报错了”、“字段错了”、“PG 不支持这个写法”
处理流程：
- 判断是语法错误还是逻辑错误
- 语法错误：尝试修复 SQL，确保符合数据库类型（MySQL/PostgreSQL 等）
- 逻辑错误：引导用户澄清查询意图
- 附带错误上下文，重新生成 SQL
4. 格式要求类（Result Formatting）
例子：“生成表格”、“我要柱状图”、“只返回数字”
处理流程：
- 保持 SQL 不变，仅调整输出格式
- 根据用户偏好选择展示方式（图表、表格、纯文本等）
最终分类汇总
| 分类标签 | 描述 | 处理备注 |
|---|---|---|
| direct_query | 用户提出独立的新查询问题 | 走完整 SQL 生成流程 |
| refine_query | 补充时间/字段/条件等限制 | 结合对话上下文再生成 SQL |
| sql_error_feedback | 用户反馈 SQL 错误 | 修复或引导重新提问 |
| format_request | 用户要求以特定格式展示结果 | 格式包装，不重生 SQL |
| reset_or_abort | 用户中断或重启对话 | 清除上下文，重置状态 |
| other | 暂不归类的其他问题 | 等待进一步分析或澄清 |
工作流核心流程图
🔁 用户意图识别模块
为实现分类判断，系统中设计了一段 prompt 用于意图识别：
你是一个精确的用户意图识别助手，专门用于一个多轮问答的 SQL 生成系统。
请你阅读用户的当前输入，并判断这句话的意图属于以下哪一种（只返回标签，不要解释）：
- direct_query
- refine_query
- sql_error_feedback
- format_request
- reset_or_abort
- other
当前用户输入是：
""" 开始 / sys.query """
智能补全用户问题
当用户问题不完整时，我们使用另一个 prompt 完成补全：
你是一个智能助手，擅长将不完整的查询补全为简洁、自然的提问句。
请根据以下内容补全提问：
用户原始问题：会话变量 / last_question；
附加信息：开始 / sys.query；
将附加信息融合到用户问题中，若是词语解释，请替换原词；若是限制条件，请补充进问题中。
仅返回最终补全后的提问句，不要解释、不加修饰。
例如：
- 原始问题：“查询最近的信息”
- 补充信息：“2020年前”
- 输出：“查询2020年前的信息”
工具与参考
- 会话变量机制：用于保存用户上下文，如
last_question、last_sql、last_result等，支持多轮对话。 - 插件工具：参考 Dify 插件系统
Dify Database 插件
测试示例
模糊时间处理：
- user：查询最近工单量
- sys：请明确时间
- usr：2020年前
- sys：生成并执行 SQL
多轮提问：
- usr：系统中每年的订单数分别是多少
- sys：直接生成 SQL 并返回图表
结果格式修改：
- usr：我要折线图返回结果
- sys：直接返回图表结果
如果你对 Text2SQL、意图识别或多轮问答系统有兴趣，欢迎交流探讨！