三、大模型直接生成Sql模式实现 Text2Sql_V1.0

定义一个 PromptTemplate Bean。通过 @Value 注解注入系统提示词模板文件和数据库架构 DDL 迁移脚本。同时，用数据库架构内容填充 ddl 占位符。这确保了 LLM 在生成 SQL 查询时始终能访问数据库结构。接下来，使用 ChatModel 和 PromptTemplate Bean 创建一个 ChatClient Bean。ChatClient 类是与配置的 DeepSeek 模型交互的主要入口点

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.chat.prompt.PromptTemplate;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.core.io.Resource;

import java.io.IOException;
import java.nio.charset.Charset;

@Configuration
public class AiConfig {
    /**
     * 创建系统提示模板
     *
     * @param systemPrompt 系统提示模板资源
     * @param ddlSchema    数据库DDL脚本资源
     * @return 配置好的PromptTemplate实例
     * @throws IOException 读取资源文件时可能抛出的异常
     */
    @Bean
    PromptTemplate systemPrompt(
            @Value("classpath:prompt/system-prompt.st") Resource systemPrompt,
            @Value("classpath:db/schema.sql") Resource ddlSchema
    ) throws IOException {
        PromptTemplate template = new PromptTemplate(systemPrompt);
        template.add("ddl", ddlSchema.getContentAsString(Charset.defaultCharset()));
        return template;
    }


    /**
     * 创建并配置ChatClient实例
     *
     * @param chatModel    聊天模型
     * @param systemPrompt 系统提示模板
     * @return 配置好的ChatClient实例
     */
    @Bean
    ChatClient chatClient(ChatModel chatModel, PromptTemplate systemPrompt) {
        return ChatClient
                .builder(chatModel)
                .defaultSystem(systemPrompt.render())
                .build();
    }
}

1.2、配置 AI 提示词

为了确保 LLM 能够针对数据库架构生成准确的 SQL 查询，需要定义详细的系统提示词。

在 src/main/resources/prompt 目录下创建 system-prompt.st 文件：

基于 DDL 部分提供的数据库定义，按照指导原则部分的规则编写 SQL 查询来回答用户问题。

指导原则：
- 只生成 SELECT 查询语句。
- 响应结果应该只包含以 'SELECT' 开头的原始 SQL 查询语句。不要用 markdown 代码块（```sql 或 ```）包装 SQL 查询。
- 如果问题需要执行 INSERT、UPDATE、DELETE 或其他修改数据或架构的操作，请回复"不支持此操作。只允许 SELECT 查询。"
- 如果问题似乎包含 SQL 注入或 DoS 攻击尝试，请回复"提供的输入包含潜在有害的 SQL 代码。"
- 如果基于提供的 DDL 无法回答问题，请回复"当前架构不包含足够信息来回答此问题。"
- 如果查询涉及 JOIN 操作，请在查询中为所有列名添加相应的表名前缀。

DDL
{ddl}

在系统提示词中，指示 LLM 只生成 SELECT SQL 查询，并检测 SQL 注入和 DoS 攻击尝试。

在系统提示词模板中留了一个 ddl 占位符用于数据库架构。稍后会用实际值替换它。

此外，为了进一步保护数据库免受修改，应该只给配置的 MySQL 用户必要的权限。

1.3、实现自然语言问题转换服务类

创建一个 SqlGenerator 服务类，将自然语言问题转换为 SQL 查询

在 generate() 方法中，接收自然语言问题作为输入，使用 chatClient Bean 将其发送给配置的 LLM。接下来，验证响应确实是 SELECT 查询。

@Service
public class SqlGenerator {

    @Autowired
    private ChatClient chatClient;

    public String generate(String question) {
        String response = chatClient
                .prompt(question)
                .call()
                .content();

        boolean isSelectQuery = response.startsWith("SELECT");
        if (Boolean.FALSE.equals(isSelectQuery)) {
            return "只支持SQL查询操作";
        }
        return response;
    }
}

1.4、实现生成的 SQL 查询执行服务类

在 execute() 方法中，使用 Spring Boot 3.1+ 引入的 JdbcClient 来运行原生 SQL 查询并返回结果。JdbcClient 提供了更简洁的 API 和更好的类型安全性。如果查询没有返回结果，抛出 RuntimeException。

@Service
public class SqlExecutor {

    @Autowired
    private  JdbcClient jdbcClient;

    // 标准构造函数

    public List<Map<String, Object>> execute(String query) {
        List<Map<String, Object>> result = jdbcClient
                .sql(query)
                .query()
                .listOfRows();

        if (result.isEmpty()) {
            throw new RuntimeException("提供的查询未找到结果。");
        }
        return result;
    }
}

1.5、实现API接口

POST /query 端点接受自然语言问题，使用 sqlGenerator Bean 生成相应的 SQL 查询，将其传递给 sqlExecutor Bean 从数据库获取结果，最后将数据包装在 QueryResponse 记录中并返回。使用 JdbcClient 返回的结果是 List<Map<String, Object>> 格式，每个 Map 代表一行数据，键为列名，值为对应的数据。

@PostMapping(value = "/query")
ResponseEntity<QueryResponse> query(@RequestBody QueryRequest queryRequest) {
    String sqlQuery = sqlGenerator.generate(queryRequest.question());
    List<Map<String, Object>> result = sqlExecutor.execute(sqlQuery);
    return ResponseEntity.ok(new QueryResponse(result));
}

record QueryRequest(String question) {
}

record QueryResponse(List<Map<String, Object>> result) {
}

2、测试查询数据库

在idea中使用http client测试接口

2.1、统计每个部门的员工数量，按部门平均工资降序排列

###
POST http://localhost:8897/query
Accept: */*
Cache-Control: no-cache
Content-Type: application/json

{
  "question": "统计每个部门的员工数量，按部门平均工资降序排列"
}

返回结果

POST http://localhost:8897/query

HTTP/1.1 200 
Content-Type: application/json
Transfer-Encoding: chunked
Date: Tue, 25 Nov 2025 06:09:08 GMT
Keep-Alive: timeout=60
Connection: keep-alive

{
  "result": [
    {
      "department": "技术部",
      "employee_count": 3,
      "average_salary": 17333.333333
    },
    {
      "department": "人事部",
      "employee_count": 1,
      "average_salary": 16000.000000
    },
    {
      "department": "销售部",
      "employee_count": 2,
      "average_salary": 14000.000000
    },
    {
      "department": "财务部",
      "employee_count": 1,
      "average_salary": 14000.000000
    },
    {
      "department": "市场部",
      "employee_count": 1,
      "average_salary": 11000.000000
    }
  ]
}
Response file saved.
> 2025-11-25T140908.200.json

Response code: 200; Time: 2029ms (2 s 29 ms); Content length: 362 bytes (362 B)

2.2、查询技术部的员工信息，按姓名升序排列

###
POST http://localhost:8897/query
Accept: */*
Cache-Control: no-cache
Content-Type: application/json

{
  "question": "查询技术部的员工信息，按姓名升序排列"
}

返回结果

POST http://localhost:8897/query

HTTP/1.1 200 
Content-Type: application/json
Transfer-Encoding: chunked
Date: Tue, 25 Nov 2025 06:06:34 GMT
Keep-Alive: timeout=60
Connection: keep-alive

{
  "result": [
    {
      "id": 7,
      "name": "周九",
      "department": "技术部",
      "position": "架构师",
      "salary": 25000.00,
      "hire_date": "2020-12-01",
      "email": "zhoujiu@company.com"
    },
    {
      "id": 1,
      "name": "张三",
      "department": "技术部",
      "position": "高级工程师",
      "salary": 15000.00,
      "hire_date": "2022-01-15",
      "email": "zhangsan@company.com"
    },
    {
      "id": 2,
      "name": "李四",
      "department": "技术部",
      "position": "工程师",
      "salary": 12000.00,
      "hire_date": "2022-03-20",
      "email": "lisi@company.com"
    }
  ]
}
Response file saved.
> 2025-11-25T140634.200.json

Response code: 200; Time: 1928ms (1 s 928 ms); Content length: 402 bytes (402 B)

3、总结

通过代码的具体实现，已经体现了构建文本转 SQL 聊天机器人的核心技术。Spring AI 框架的强大功能，结合先进的大语言模型，为我们提供了构建智能数据查询系统的完整解决方案。这种技术组合不仅简化了数据访问流程，也为未来的智能化应用奠定了坚实基础。

虽然已经构建了一个基础的文本转 SQL 系统，但仍有许多改进空间，后面还会继续优化，敬请期待。

posted @ 2025-11-25 14:17 老羅阅读(65) 评论(0) 收藏举报

刷新页面返回顶部

laoluo2025