AIGC 时代如何“让数据库听懂人话”？从 CRUD 到自然语言 SQL 的进化之旅
引言
“老板，开发部工资多少？”
“我这就查。”
——曾经需要写 SQL 的你，现在只需一句话。
在 AI 大模型（AIGC）席卷一切的时代，连我们最熟悉的 数据库操作 都正在被彻底改变。从前必须手敲 SELECT * FROM employees WHERE department = '开发' 的日子一去不复返了——如今，你只需要说一句：“开发部门员工的姓名和工资是多少？”，AI 就能自动帮你生成正确的 SQL 查询语句！
今天我们就来深入剖析：AIGC 是如何实现自然语言到 SQL 的转换？ 并结合一个真实代码案例，带你一步步看懂背后的逻辑与魔法。
案例部署
1. 魔搭部署
登录魔搭社区 魔搭官网，进入 【我的】→【我的Notebook】
启动后点击【查看Notebook】，跳转至如图页面，选择Python 3
分模块输入代码内容后点击运行，生成 text.db 数据库文件，
2. 数据库文件 test.db 查看步骤
首次在 VScode 中下载扩展
按下快捷键（如 Ctrl+Shift+P / Cmd+Shift+P），输入：
SQLite: Open Database
选择 .db 文件
最后按照下图步骤即可查看数据库文件
代码第一步：用 SQLite 搭建本地数据库（无需服务器！）
为什么选 SQLite？因为它简单、高效、无依赖，是微信、浏览器等 App 背后默默工作的本地存储引擎。MySQL 需要服务端部署，而 SQLite 只需一个 .db 文件，完美适配个人项目与原型验证。
代码段 1：导入模块
# 轻量级数据库 import sqlite3 导入 Python 内置的 sqlite3 模块，用于操作 SQLite 数据库。无需额外安装，开箱即用。代码段 2：连接数据库 & 创建表
# 打开链接 conn = sqlite3.connect("test.db") # 数据库操作的句柄 cursor = conn.cursor() cursor.execute(""" CREATE TABLE IF NOT EXISTS employees ( id INTEGER PRIMARY KEY, name TEXT, department TEXT, salary INTEGER ) """) 逐句解析：sqlite3.connect("test.db")：连接名为test.db的数据库文件。若文件不存在，则自动创建。conn.cursor()：获取“游标”（cursor），它是执行 SQL 语句的操作句柄，就像数据库的“遥控器”。cursor.execute(...)：执行一条 SQL 语句。CREATE TABLE IF NOT EXISTS employees (...)：创建一张名为employees的表，包含四个字段：id：整数类型，主键（自动递增）name：文本类型，员工姓名department：文本类型，所属部门salary：整数类型，薪资IF NOT EXISTS确保重复运行不会报错。
关键点：SQLite 是独立于 Web 后端的本地数据库实体，适合离线或轻量场景。
代码段 3：插入测试数据
sample_data = [ (6, "王五", "开发部", 32000), ( 7, "张三", "销售部", 20000), ( 8, "赵六", "开发部", 33000), ( 9, "李四", "销售部", 15000) ] cursor.executemany('INSERT INTO employees VALUES (?, ?, ?, ?)', sample_data) conn.commit() 逐句解析：定义sample_data列表，包含 4 条员工记录（注意 ID 从 6 开始，可能是为了演示非连续主键）。cursor.executemany(...)：批量执行插入操作，效率远高于单条循环。'INSERT INTO employees VALUES (?, ?, ?, ?)'：使用?作为占位符，防止 SQL 注入攻击，安全又规范。conn.commit()：提交事务，确保所有更改永久写入数据库。若不提交，数据会丢失！
这就是经典的 CRUD 中的 “C”（Create）。
代码第二步：提取数据库 Schema（给 AI 的“说明书”）
为了让大模型知道“表长什么样”，我们需要提供结构描述（Schema）：
# 通过table_info 拿到employees 表的描述 # llm 生成sql 提供上下文 schema = cursor.execute("PRAGMA table_info(employees)").fetchall() schema_str = "CREATE TABLE EMPLOYEES (\n" + "\n".join([f"{col[1]} {col[2]}" for col in schema]) + "\n)" print("数据库Schema:") print(schema_str) 逐句解析：PRAGMA table_info(employees)：SQLite 特有命令，返回表的元信息（字段名、类型等）。fetchall()：获取所有行结果。构造schema_str字符串，模拟标准CREATE TABLE语句格式，便于 LLM 理解。
最终输出类似：
CREATE TABLE EMPLOYEES ( id INTEGER name TEXT department TEXT salary INTEGER ) 💡 为什么需要 Schema？
因为 LLM 不知道你的表叫什么、有哪些字段。提供 Schema 就像给翻译官一本词典，让它能准确“转译”。
代码第三步：调用 DeepSeek 大模型，实现“自然语言 → SQL”
现在进入 AIGC 的核心环节——让 AI 根据你的中文问题，生成可执行的 SQL。
代码段 4：配置 DeepSeek API 客户端
from openai import OpenAI client = OpenAI( api_key='sk-c031736e926b4608ba8603be5750d572', base_url='https://api.deepseek.com/v1' ) ✅ 逐句解析：导入兼容 OpenAI 协议的客户端（DeepSeek 支持该协议）。初始化client，指定：api_key：完全保留原始值（实际使用请替换为自己的密钥！）base_url：指向 DeepSeek 的 API 入口
注意：此 API Key 仅为示例，请勿在公开场合泄露真实密钥！
API Key获取地址：DeepSeek 开放平台
代码段 5：定义 AIGC 生成函数（核心魔法！）
def ask_deepseek(query, schema): prompt = f""" 这是一个数据库的Schema: {schema} 根据这个Schema,你能输出一个SQL查询来回答以下问题吗？ 只输出SQL查询,不要输出任何内容，也不要带任何格式 问题：{query} """ # print(prompt) response = client.chat.completions.create( model="deepseek-reasoner", max_tokens=2048, messages=[{ "role": "user", "content": prompt }] ) return response.choices[0].message # ask_deepseek("开发部部门员工的姓名和工资是多少？", schema) question = "开发部部门员工的姓名和工资是多少？" sql = ask_deepseek(question, schema_str) print("生成的sql查询：") print(sql) 1. 函数定义
def ask_deepseek(query, schema): 接收两个参数：query：用户的自然语言问题（如“开发部...”）schema：数据库结构描述
2. 构造 Prompt（提示词工程的核心！）
prompt = f""" 这是一个数据库的Schema: {schema} 根据这个Schema,你能输出一个SQL查询来回答以下问题吗？ 只输出SQL查询,不要输出任何内容，也不要带任何格式 问题：{query} """ 明确告诉 AI 当前数据库结构强调指令：“只输出 SQL 查询，不要输出任何内容，也不要带任何格式”这种约束极大提升了输出的可用性——避免 AI 添加解释、Markdown 或多余字符
3. 调用大模型 API
response = client.chat.completions.create( model="deepseek-reasoner", max_tokens=2048, messages=[{ "role": "user", "content": prompt }] ) 使用deepseek-reasoner模型（专为逻辑推理优化）设置足够长的max_tokens，避免截断复杂 SQL以标准 Chat 格式发送请求
4. 返回结果
return response.choices[0].message 获取 AI 生成的第一条回复内容（即纯 SQL 字符串）
5. 实际调用
question = "开发部部门员工的姓名和工资是多少？" sql = ask_deepseek(question, schema_str) print("生成的sql查询：") print(sql) 提问关于“开发部”的员工信息打印 AI 生成的 SQL
这就是 AIGC 的魔力：将人类语言（Human Language）翻译成机器语言（SQL），实现 自然语义数据库操作。
6. 输出示例
SELECT name, salary FROM employees WHERE department = '开发';🎉 成功！AI 把中文问题准确地翻译成了标准 SQL！
AIGC 如何“理解”并生成 SQL？
让我们深入看看 AI 是怎么做到这一点的：
1. 上下文感知（Context Awareness）
AI 看到了完整的 Schema，知道：
- 表名叫
employees - 字段有：
name,department,salary department是字符串类型
2. 意图识别（Intent Recognition）
AI 分析问题：“开发部门员工的姓名和工资是多少？”
- 关键词提取：
开发部门→ 对应department = '开发' - 查询目标：
姓名和工资→ 对应name, salary
3. 语法生成（Grammar Generation）
AI 根据 SQL 语法规则，组合出：
SELECT name, salary FROM employees WHERE department = '开发';🤯 整个过程就像一位“数据库翻译官”：把人的语言翻译成机器能懂的语言。
未来展望：AIGC + 数据库 = 新一代生产力工具
| 传统方式 | AIGC 方式 |
|---|---|
| 必须记住表名、字段名 | 自动识别字段 |
| 容易写错 SQL | 几乎零错误率 |
| 需要调试 | 一键生成 |
未来的趋势将是：
- 低代码/无代码平台 中集成 AI SQL 生成器
- 数据分析人员 无需学习 SQL，也能高效查询
- 智能助手 可实时回答业务问题（如：“本月销售额最高的产品是哪个？”）
结语：数据库不再高冷，人人都是数据分析师
过去，数据库是程序员的专属领域；
今天，借助 AIGC，任何人都可以用自然语言与数据对话。
🔥 从“写 SQL”到“说中文”，
这不是技术的进步，而是认知的解放。
当你下次再问：“开发部工资多少？”时，别忘了——
背后可能正有一个 AI 在默默为你生成 SQL。
附录：
1. 完整可运行代码（Python + DeepSeek）
源码地址：python/text2sql/text2sql.ipynb · Zou/lesson_zp - 码云 - 开源中国
# 轻量级数据库 import sqlite3 # 打开链接 conn = sqlite3.connect("test.db") # 数据库操作的句柄 cursor = conn.cursor() cursor.execute(""" CREATE TABLE IF NOT EXISTS employees ( id INTEGER PRIMARY KEY, name TEXT, department TEXT, salary INTEGER ) """) sample_data = [ (6, "王五", "开发部", 32000), ( 7, "张三", "销售部", 20000), ( 8, "赵六", "开发部", 33000), ( 9, "李四", "销售部", 15000) ] cursor.executemany('INSERT INTO employees VALUES (?, ?, ?, ?)', sample_data) conn.commit() from openai import OpenAI client = OpenAI( api_key='sk-c031736e926b4608ba8603be5750d572', base_url='https://api.deepseek.com/v1' ) # 通过table_info 拿到employees 表的描述 # llm 生成sql 提供上下文 schema = cursor.execute("PRAGMA table_info(employees)").fetchall() schema_str = "CREATE TABLE EMPLOYEES (\n" + "\n".join([f"{col[1]} {col[2]}" for col in schema]) + "\n)" print("数据库Schema:") print(schema_str) def ask_deepseek(query, schema): prompt = f""" 这是一个数据库的Schema: {schema} 根据这个Schema,你能输出一个SQL查询来回答以下问题吗？ 只输出SQL查询,不要输出任何内容，也不要带任何格式 问题：{query} """ # print(prompt) response = client.chat.completions.create( model="deepseek-reasoner", max_tokens=2048, messages=[{ "role": "user", "content": prompt }] ) return response.choices[0].message # ask_deepseek("开发部部门员工的姓名和工资是多少？", schema) question = "开发部部门员工的姓名和工资是多少？" sql = ask_deepseek(question, schema_str) print("生成的sql查询：") print(sql)
