“ Vanna的核心思想是由大模型替代DBA人员编写SQL，能够直接根据自然语言进行数据分析 。”

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。

SQL语句生成智能体

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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】