基于通义千问大模型和Flask的智慧问数系统

系统概述

智慧问数系统是一个利用通义千问大模型和Flask框架构建的智能SQL生成与查询平台。该系统能够将自然语言查询自动转换为SQL语句，并执行查询返回结果，极大地简化了数据分析人员的工作流程。

系统架构

系统采用前后端分离架构，主要包含以下模块：

1. 前端界面 ：基于HTML5和Tailwind CSS构建的用户交互界面
2. 后端服务 ：使用Flask框架搭建的RESTful API
3. AI引擎 ：基于通义千问大模型的SQL生成模块
4. 数据库连接 ：支持多种数据库的连接与查询

核心功能

1. 自然语言转SQL
2. SQL查询执行
3. 查询结果可视化
4. 查询历史管理
5. 数据导出功能

6. 技术亮点

1. 通义千问大模型集成

系统通过OpenAI SDK与通义千问大模型进行集成，实现自然语言到SQL的智能转换。核心处理逻辑如下：

def _generate_sql(query, schema_type="charging", table_name=None):
    try:
        client = OpenAI(
            api_key='api-key',
            base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
        )
        db_schema = DatabaseSchema()
        
        if schema_type == "charging":
            table_structure = db_schema.get_charging_schema(table_name)
        else:
            table_structure = db_schema.get_business_schema(table_name)
        
        if not table_structure:
            return "错误：未找到指定的表结构"
        
        prompt = f'''您是SQL专家，现在需要根据以下具体场景编写一个正确且规范的SQL查询语句。
        问题情境：用户希望从数据库中查询满足特定条件的数据，请提供该SQL查询任务的详细描述。
        问题需求：{query}。请基于以下表格结构{table_structure}

        请使用以下格式编写SQL代码，并确保其解答了用户的问题：

        ```sql
        -- 请在此处编写SQL查询语句
        SELECT ...
        FROM ...
        WHERE ...
        GROUP BY ...
        HAVING ...
        ORDER BY ... ;
        ```
        '''
        
        completion = client.chat.completions.create(
            model="qwen-max-2025-01-25",
            messages=[{'role': 'user', 'content': prompt}]
        )
        
        return completion.choices[0].message.content
        
    except Exception as e:
        return f"SQL生成失败：{str(e)}"

2. Flask后端服务

后端采用Flask框架，提供RESTful API接口，主要包含以下路由：

@app.route('/generate_sql_pile_use_day_new', methods=['POST'])
def generate_sql_api():
    """处理SQL生成请求"""
    try:
        data = request.get_json()
        query = data.get('query')
        
        if not query:
            return make_response(False, message='查询描述不能为空', status_code=400)
            
        result = get_sql_from_query(
            query=query,
            schema_type='charging',
            table_name='pile_use_day_new'
        )
        
        return make_response(result['success'], data={
            'sql': result.get('sql'),
            'query_data': result.get('data')
        }, message=result.get('message'))
        
    except Exception as e:
        return make_response(False, message=str(e), status_code=500)

3. 前端交互界面

前端采用响应式设计，提供友好的用户交互体验：

<div class="main-content p-8">
    <div class="max-w-4xl mx-auto">
        <h1 class="text-3xl font-bold text-white mb-8">智能SQL生成器</h1>
        <div class="glass-effect p-6 rounded-lg">
            <textarea id="queryInput" class="w-full p-4 bg-transparent text-white border border-gray-700 rounded-lg" placeholder="请输入您的查询需求..."></textarea>
            <button onclick="generateSQL()" class="mt-4 px-6 py-2 bg-blue-500 text-white rounded-lg hover:bg-blue-600 transition-colors">生成SQL</button>
        </div>
        <div id="resultContainer" class="mt-8 hidden">
            <div class="glass-effect p-6 rounded-lg">
                <h2 class="text-xl font-bold text-white mb-4">生成的SQL语句</h2>
                <pre id="sqlResult" class="bg-gray-800 p-4 rounded text-white"></pre>
            </div>
            <div class="glass-effect p-6 rounded-lg mt-4">
                <h2 class="text-xl font-bold text-white mb-4">查询结果</h2>
                <div id="queryResult" class="result-table"></div>
            </div>
        </div>
    </div>
</div>

系统实现

系统优势

1. 高效性 ：快速将自然语言转换为SQL语句
2. 准确性 ：基于大模型的智能理解确保SQL语句的正确性
3. 易用性 ：简洁直观的用户界面
4. 扩展性 ：模块化设计便于功能扩展
5. 安全性 ：严格的输入验证和错误处理

应用场景

1. 数据分析师快速生成SQL查询
2. 业务人员自助查询数据
3. 数据库管理员进行复杂查询
4. 数据科学家进行数据探索
5. 企业报表自动化生成

未来展望

1. 支持更多数据库类型
2. 增加查询优化建议功能
3. 实现查询历史管理
4. 集成数据可视化功能
5. 开发移动端应用
   通过本系统的构建，我们展示了如何将先进的大模型技术与传统Web开发相结合，为企业提供高效、智能的数据查询解决方案。这种技术组合不仅提高了工作效率，也为未来的智能化数据分析系统开发提供了新的思路。