基于LangChain构建NL2SQL数据分析系

一、项目架构说明

SQL Agent 数据分析系统是一个基于 大语言模型（LLM） 和 RAG（检索增强生成） 技术的智能数据分析平台。系统的核心价值在于：将自然语言问题自动转换为准确的 SQL 查询，并对查询结果进行业务解读和可视化呈现。用户无需掌握 SQL 语法，只需用日常语言提问（如："2024年销售额最高的10个产品是什么？"），系统即可自动完成数据查询、分析和报告生成。

与传统的 BI 工具相比，本系统具备三大优势：自然交互（无需学习复杂的拖拽式界面）、智能推理（基于 Agent 的多步推理能力）、持续学习（通过 RAG 技术不断积累领域知识）。

系统采用 自底向上 的四层架构设计，每一层职责明确、边界清晰，确保系统的可扩展性和可维护性。

用户通过 自然语言输入框 提出数据分析需求，系统实时展示 Agent 的思考过程（如"正在检索表结构"、"正在生成 SQL"），最终以 数据表格、可视化图表、自然语言解释 三种形式呈现查询结果。此外，用户还可以通过 训练数据管理面板 手动添加 DDL 定义、业务文档和 SQL 示例，帮助系统更好地理解业务逻辑。

而核心代理层是整个系统的"大脑"，由 NL2SQL Agent 担任核心角色。Agent 负责理解用户意图、规划执行步骤、调度工具完成任务。它采用 ReAct（推理-行动）模式，即"思考一步、执行一步、再思考、再执行"的循环流程，直到完成任务。Agent 具备自主决策能力，能根据问题复杂度选择合适的工具组合，并在遇到错误时自动调整策略。这里我们参考 Vanna 项目的思路：https://github.com/vanna-ai/vanna/tree/main

二、Jina Embedding 服务安装部署

jina-embeddings-v4是一个通用的多模态和多语言检索嵌入模型。该模型专为复杂文档检索而设计，包括包含图表、表格和插图等视觉元素丰富的文档。

网址：https://huggingface.co/jinaai/jina-embeddings-v4

基于Qwen/Qwen2.5-VL-3B-Instruct构建，jina-embeddings-v4具有以下特性：

• 统一的文本、图像和视觉文档嵌入，支持密集（单向量）和延迟交互（多向量）检索。
• 支持多语言（30 多种语言），并兼容广泛的领域，包括技术性和视觉复杂的文档。
• 针对检索、文本匹配和代码相关任务的特定任务适配器，可在推理时进行选择。
• 灵活的嵌入大小：默认情况下，密集嵌入的维度为 2048，但可以截断到低至 128，性能损失极小。

功能概述：

特征	Jina Embeddings V4
基本型号	Qwen2.5-VL-3B-指令
支持的任务	retrieval，，text-matching​code
D型	BFloat 16
最大序列长度	32768
单向量维度	2048
多向量维度	128
套娃尺寸	128、256、512、1024、2048
联合策略	平均合并
注意机制	闪回2

Jina Embedding 在本项目中被设计为一个独立的微服务，通过 FastAPI 框架对外提供 HTTP API 接口。它的主要职责是将自然语言文本（用户问题、SQL 语句、表结构文档等）转换为高维稠密向量。举个例子：

• 问题：女性客户的平均消费金额是多少？
• 系统操作：先在历史训练数据中找到语义最相似的案例（比如"不同性别客户的消费统计"），再生成准确的 SQL 查询。

这个"寻找相似案例"的过程，就依赖 Jina Embedding 将问题转化为向量，然后在向量数据库（Milvus）中进行相似度检索。同时，Jina Embedding 与 Milvus 结合应用。当系统需要添加训练数据（如表结构文档、SQL 案例）时，首先调用 Jina Embedding 将文本转为向量，然后将向量和原始文本一起存入 Milvus。后续用户提问时，系统会先将问题向量化，再从 Milvus 中检索出最相似的训练案例。
此外，我们在 Vanna 源码的基础上通过Jina Embedding 嵌入 NL2SQL 引擎协作工作流，大幅提升了 SQL 生成及信息检索的准确率。

三、实现效果

主页效果图

数据分析可视化页面：