據(jù)庫快速上手指南)
3步讓AI替你寫SQLVanna自然語言查數(shù)據(jù)庫快速上手指南【免費(fèi)下載鏈接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .項(xiàng)目地址: https://gitcode.com/GitHub_Trending/va/vanna業(yè)務(wù)同學(xué)一句查一下銷售額前十的客戶就得讓你手寫一遍SQL。Vanna 是開源的 Text-to-SQL 框架把數(shù)據(jù)庫結(jié)構(gòu)訓(xùn)練進(jìn)AI的記憶里業(yè)務(wù)用自然語言提問AI 直接返回 SQL 和查詢結(jié)果不用再等數(shù)據(jù)團(tuán)隊(duì)排期。 原理一句話給AI遞一張數(shù)據(jù)庫名片新人入職都是這個(gè)套路先給組織架構(gòu)圖表結(jié)構(gòu)再給團(tuán)隊(duì)術(shù)語表業(yè)務(wù)名詞最后給幾個(gè)過往案例。Vanna 干的就是這件事——把 DDL、業(yè)務(wù)定義、問答對喂給它存進(jìn)向量庫來問題先檢索最相關(guān)的記憶交給 LLMSQL 才寫得準(zhǔn)。官方論文的實(shí)測數(shù)字很直白只給 schema 準(zhǔn)確率約3%喂上上下文相關(guān)示例后能到約80%。 三步走通從安裝到第一次提問第一步30秒安裝先跑通示例pip install vanna # 沒有 LLM API key先用內(nèi)置 Mock 示例感受完整流程 python -m vanna.examples.mock_quickstart看到示例跑通基本流程就成了。接真實(shí)模型時(shí)只需把 LLM 換成 OpenAI、Claude 或 Ollama后面代碼不變。第二步訓(xùn)練模型認(rèn)識(shí)你的表上一步跑通后接著喂數(shù)據(jù)庫名片三樣料按順序表結(jié)構(gòu)、業(yè)務(wù)名詞、歷史問答。# 表結(jié)構(gòu)AI的數(shù)據(jù)庫地圖 vn.train(ddlCREATE TABLE employees (id INT, name VARCHAR(100), salary FLOAT)) # 業(yè)務(wù)名詞AI的術(shù)語表 vn.train(documentation資深員工入職超過3年的員工) /參數(shù)手上已有寫得順手的 SQL 就一并vn.train(sql...)存進(jìn)去例子質(zhì)量越好輸出越穩(wěn)。第三步自然語言提問拿回 SQL最后直接問。sql vn.ask(哪個(gè)部門的平均薪資最高) # Vanna 先從向量庫檢索相關(guān) DDL 和示例再交給 LLM 生成拿回來的 SQL 可直接在庫上執(zhí)行。2.0 版本還把它封裝成 Agent注冊 RunSqlTool 這類工具后端把表格、圖表流式推給vanna-chat網(wǎng)頁組件直接嵌進(jìn)任意頁面。完整流程可看 quickstart 示例 notebook。 前后對比準(zhǔn)確率差在怎么喂數(shù)據(jù)上下文策略SQL 生成準(zhǔn)確率只喂 schemaDDL約 3%加靜態(tài)示例 SQL約 56%檢索上下文相關(guān)示例RAG約 80%馬上能做的兩件事DDL 和真實(shí)庫保持同步schema 一變就重新 train從生產(chǎn)里挑 5~10 個(gè)高頻查詢補(bǔ)問答對準(zhǔn)確率提升主要靠它。 踩坑實(shí)錄這三個(gè)坑我替你踩了DDL 和數(shù)據(jù)庫脫節(jié)。模型照著幽靈字段寫 SQL一執(zhí)行就報(bào)錯(cuò)。解法重新導(dǎo)出當(dāng)前 DDL再 train 一遍。只喂 schema 不喂業(yè)務(wù)名詞。高績效核心客戶全靠模型猜結(jié)果跑偏。解法補(bǔ)一條vn.train(documentation...)把定義釘死。被 2.0 和 0.x 的 API 搞暈。2.0 是 Agent 工具的寫法自帶網(wǎng)頁組件老的 VannaBase API 用 LegacyVannaAdapter 包一下舊實(shí)例就能直接用上新界面細(xì)節(jié)看 遷移指南。一句話總結(jié)Vanna 的核心價(jià)值是把寫 SQL變成喂上下文上下文越準(zhǔn)AI 越能干。打開 examples 目錄現(xiàn)在就可以跑起來?！久赓M(fèi)下載鏈接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .項(xiàng)目地址: https://gitcode.com/GitHub_Trending/va/vanna創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 3步讓AI替你寫SQL：Vanna自然語言查數(shù)據(jù)庫快速上手指南
3步讓AI替你寫SQLVanna自然語言查數(shù)據(jù)庫快速上手指南【免費(fèi)下載鏈接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .項(xiàng)目地址: https://gitcode.com/GitHub_Trending/va/vanna業(yè)務(wù)同學(xué)一句查一下銷售額前十的客戶就得讓你手寫一遍SQL。Vanna 是開源的 Text-to-SQL 框架把數(shù)據(jù)庫結(jié)構(gòu)訓(xùn)練進(jìn)AI的記憶里業(yè)務(wù)用自然語言提問AI 直接返回 SQL 和查詢結(jié)果不用再等數(shù)據(jù)團(tuán)隊(duì)排期。 原理一句話給AI遞一張數(shù)據(jù)庫名片新人入職都是這個(gè)套路先給組織架構(gòu)圖表結(jié)構(gòu)再給團(tuán)隊(duì)術(shù)語表業(yè)務(wù)名詞最后給幾個(gè)過往案例。Vanna 干的就是這件事——把 DDL、業(yè)務(wù)定義、問答對喂給它存進(jìn)向量庫來問題先檢索最相關(guān)的記憶交給 LLMSQL 才寫得準(zhǔn)。官方論文的實(shí)測數(shù)字很直白只給 schema 準(zhǔn)確率約3%喂上上下文相關(guān)示例后能到約80%。 三步走通從安裝到第一次提問第一步30秒安裝先跑通示例pip install vanna # 沒有 LLM API key先用內(nèi)置 Mock 示例感受完整流程 python -m vanna.examples.mock_quickstart看到示例跑通基本流程就成了。接真實(shí)模型時(shí)只需把 LLM 換成 OpenAI、Claude 或 Ollama后面代碼不變。第二步訓(xùn)練模型認(rèn)識(shí)你的表上一步跑通后接著喂數(shù)據(jù)庫名片三樣料按順序表結(jié)構(gòu)、業(yè)務(wù)名詞、歷史問答。# 表結(jié)構(gòu)AI的數(shù)據(jù)庫地圖 vn.train(ddlCREATE TABLE employees (id INT, name VARCHAR(100), salary FLOAT)) # 業(yè)務(wù)名詞AI的術(shù)語表 vn.train(documentation資深員工入職超過3年的員工) /參數(shù)手上已有寫得順手的 SQL 就一并vn.train(sql...)存進(jìn)去例子質(zhì)量越好輸出越穩(wěn)。第三步自然語言提問拿回 SQL最后直接問。sql vn.ask(哪個(gè)部門的平均薪資最高) # Vanna 先從向量庫檢索相關(guān) DDL 和示例再交給 LLM 生成拿回來的 SQL 可直接在庫上執(zhí)行。2.0 版本還把它封裝成 Agent注冊 RunSqlTool 這類工具后端把表格、圖表流式推給vanna-chat網(wǎng)頁組件直接嵌進(jìn)任意頁面。完整流程可看 quickstart 示例 notebook。 前后對比準(zhǔn)確率差在怎么喂數(shù)據(jù)上下文策略SQL 生成準(zhǔn)確率只喂 schemaDDL約 3%加靜態(tài)示例 SQL約 56%檢索上下文相關(guān)示例RAG約 80%馬上能做的兩件事DDL 和真實(shí)庫保持同步schema 一變就重新 train從生產(chǎn)里挑 5~10 個(gè)高頻查詢補(bǔ)問答對準(zhǔn)確率提升主要靠它。 踩坑實(shí)錄這三個(gè)坑我替你踩了DDL 和數(shù)據(jù)庫脫節(jié)。模型照著幽靈字段寫 SQL一執(zhí)行就報(bào)錯(cuò)。解法重新導(dǎo)出當(dāng)前 DDL再 train 一遍。只喂 schema 不喂業(yè)務(wù)名詞。高績效核心客戶全靠模型猜結(jié)果跑偏。解法補(bǔ)一條vn.train(documentation...)把定義釘死。被 2.0 和 0.x 的 API 搞暈。2.0 是 Agent 工具的寫法自帶網(wǎng)頁組件老的 VannaBase API 用 LegacyVannaAdapter 包一下舊實(shí)例就能直接用上新界面細(xì)節(jié)看 遷移指南。一句話總結(jié)Vanna 的核心價(jià)值是把寫 SQL變成喂上下文上下文越準(zhǔn)AI 越能干。打開 examples 目錄現(xiàn)在就可以跑起來?！久赓M(fèi)下載鏈接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .項(xiàng)目地址: https://gitcode.com/GitHub_Trending/va/vanna創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考