SQL语句生成智能体——vanna项目介绍

在大模型应用中有一种技术叫做NL2SQL——自然语言生成SQL语句；在基于人工智能的数据分析场景中，数据库是必不可少的一个环节。但怎么处理数据库中的数据却有不同的思路，比如类似于传统数据分析，使用SQL读取数据库，然后交给大模型进行分析；

第二，使用pandas这种数据分析工具，让大模型调用pandas的函数执行获取结果；因为存在即合理，因此不同的技术方案适合不同的业务场景。

而今天我们就来介绍一下基于大模型的SQL语句生成项目——Vanna。

Vanna项目是一个让用户输入自然语言，然后自动生成SQL语句进行数据分析的开源项目；其本质是使用RAG的技术，配合大模型进行SQL生成。

官网地址：https://vanna.ai/docs/

项目架构图如下：

从架构图中可以看出，项目是根据用户的问题从向量数据库中进行相似度检索，然后再拼接成提示词，最后由大模型生成SQL查询语句交给数据库引擎执行。

从文档中可以看出，vanna项目的执行过程主要分为两步，第一步是train也就是训练，第二步是ask也就是用户提问；训练的过程，其实就是把数据库结构和说明文档保存到向量数据库中，然后用户提问时就可以根据用户的语义对向量数据进行相似度检索，获取到用户想要查询的库表结构。

然后再由大模型根据用户的需求和库表结构生成相对应的SQL语句进行执行。

如下图所示：

而且，vanna项目提供了专门的训练接口，让开发者可以基于自己的库表结果做训练。并且，可以选择对应的大模型，向量数据库和关系型数据库；而且，为了解决兼容性问题，还提供了基于pandas的数据结构分析接口。

而从源码分析，vanna生成SQL语句是使用历史记录，数据库DDL语句和说明文档document一起拼接成Prompt提示词交由大模型自动分析生成查询语句。

如下图所示：

当大模型分析生成SQL语句之后，再交由数据库引擎进行执行；并且为了防止生成的SQL语句有问题，这里还专门用正则表达式进行处理。

那么通过这种生成SQL执行的好处是什么？

这种基于SQL的数据分析方式，其原理只是把本来由人工编写SQL语句的过程交给了大模型；而数据处理的过程还是由数据库引擎来执行。这种方式对比使用pandas有什么好处？

使用pandas进行数据处理，需要先把数据部分或全部读取到内存中进行分析；虽然pandas也提供了分批读取数据的方式，但我们都知道在数据分析中有些场景是没办法进行分批读取的，比如说统计一个上千万的表结构；最好的方式就是直接执行统计SQL，毕竟分批读取无法直接获取一共有多少条数据。

当然，使用pandas进行数据统计也有其好处，在数据量不大或内存足够大的情况下；使用pandas进行数据分析，只需要在第一步去兼容不同的数据库即可，之后的数据分析过程可以通用；但使用生成SQL的方式，就需要根据不同的数据库引擎生成不同的SQL语句。