引言

“老板，开发部工资多少？”
“我这就查。”
——曾经需要写 SQL 的你，现在只需一句话。

在 AI 大模型（AIGC）席卷一切的时代，连我们最熟悉的 数据库操作 都正在被彻底改变。从前必须手敲 SELECT * FROM employees WHERE department = '开发' 的日子一去不复返了——如今，你只需要说一句：“开发部门员工的姓名和工资是多少？”，AI 就能自动帮你生成正确的 SQL 查询语句！

今天我们就来深入剖析：AIGC 是如何实现自然语言到 SQL 的转换？ 并结合一个真实代码案例，带你一步步看懂背后的逻辑与魔法。

案例部署

1. 魔搭部署

登录魔搭社区 魔搭官网，进入 【我的】→【我的Notebook】

启动后点击【查看Notebook】，跳转至如图页面，选择Python 3 

分模块输入代码内容后点击运行，生成 text.db 数据库文件，

 2. 数据库文件 test.db 查看步骤

首次在 VScode 中下载扩展  

按下快捷键（如 Ctrl+Shift+P / Cmd+Shift+P），输入：

SQLite: Open Database

选择 .db 文件

最后按照下图步骤即可查看数据库文件

代码第一步：用 SQLite 搭建本地数据库（无需服务器！）

为什么选 SQLite？因为它简单、高效、无依赖，是微信、浏览器等 App 背后默默工作的本地存储引擎。MySQL 需要服务端部署，而 SQLite 只需一个 .db 文件，完美适配个人项目与原型验证。

代码段 1：导入模块

# 轻量级数据库
import sqlite3

导入 Python 内置的 sqlite3 模块，用于操作 SQLite 数据库。无需额外安装，开箱即用。

代码段 2：连接数据库 & 创建表

# 打开链接
conn = sqlite3.connect("test.db")
# 数据库操作的句柄
cursor = conn.cursor()

cursor.execute("""
CREATE TABLE IF NOT EXISTS employees (
 id INTEGER PRIMARY KEY,
 name TEXT,
 department TEXT,
 salary INTEGER
)
""")

逐句解析：

  • sqlite3.connect("test.db")：连接名为 test.db 的数据库文件。若文件不存在，则自动创建。
  • conn.cursor()：获取“游标”（cursor），它是执行 SQL 语句的操作句柄，就像数据库的“遥控器”。
  • cursor.execute(...)：执行一条 SQL 语句。
  • CREATE TABLE IF NOT EXISTS employees (...)：创建一张名为 employees 的表，包含四个字段：
    • id：整数类型，主键（自动递增）
    • name：文本类型，员工姓名
    • department：文本类型，所属部门
    • salary：整数类型，薪资
  • IF NOT EXISTS 确保重复运行不会报错。

关键点：SQLite 是独立于 Web 后端的本地数据库实体，适合离线或轻量场景。

代码段 3：插入测试数据

sample_data = [
 (6, "王五", "开发部", 32000),
 ( 7, "张三", "销售部", 20000),
 ( 8, "赵六", "开发部", 33000),
 ( 9, "李四", "销售部", 15000)
]
cursor.executemany('INSERT INTO employees VALUES (?, ?, ?, ?)', sample_data)
conn.commit()

逐句解析：

  • 定义 sample_data 列表，包含 4 条员工记录（注意 ID 从 6 开始，可能是为了演示非连续主键）。
  • cursor.executemany(...)：批量执行插入操作，效率远高于单条循环。
  • 'INSERT INTO employees VALUES (?, ?, ?, ?)'：使用 ? 作为占位符，防止 SQL 注入攻击，安全又规范。
  • conn.commit()：提交事务，确保所有更改永久写入数据库。若不提交，数据会丢失！

这就是经典的 CRUD 中的 “C”（Create）。

代码第二步：提取数据库 Schema（给 AI 的“说明书”）

为了让大模型知道“表长什么样”，我们需要提供结构描述（Schema）：

# 通过table_info 拿到employees 表的描述
# llm 生成sql 提供上下文
schema = cursor.execute("PRAGMA table_info(employees)").fetchall()
schema_str = "CREATE TABLE EMPLOYEES (\n" + "\n".join([f"{col[1]} {col[2]}" for col in schema]) + "\n)"
print("数据库Schema:")
print(schema_str)

逐句解析：

  • PRAGMA table_info(employees)：SQLite 特有命令，返回表的元信息（字段名、类型等）。
  • fetchall()：获取所有行结果。
  • 构造 schema_str 字符串，模拟标准 CREATE TABLE 语句格式，便于 LLM 理解。
  • 最终输出类似： 
    CREATE TABLE EMPLOYEES (
id INTEGER
name TEXT
department TEXT
salary INTEGER
)

💡 为什么需要 Schema？
因为 LLM 不知道你的表叫什么、有哪些字段。提供 Schema 就像给翻译官一本词典，让它能准确“转译”。

代码第三步：调用 DeepSeek 大模型，实现“自然语言 → SQL”

现在进入 AIGC 的核心环节——让 AI 根据你的中文问题，生成可执行的 SQL。

代码段 4：配置 DeepSeek API 客户端

from openai import OpenAI
client = OpenAI(
 api_key='sk-c031736e926b4608ba8603be5750d572',
 base_url='https://api.deepseek.com/v1'
)

✅ 逐句解析：

  • 导入兼容 OpenAI 协议的客户端（DeepSeek 支持该协议）。
  • 初始化 client，指定：
    • api_key：完全保留原始值（实际使用请替换为自己的密钥！）
    • base_url：指向 DeepSeek 的 API 入口

注意：此 API Key 仅为示例，请勿在公开场合泄露真实密钥！

API Key获取地址：DeepSeek 开放平台

代码段 5：定义 AIGC 生成函数（核心魔法！）

def ask_deepseek(query, schema):
 prompt = f"""
 这是一个数据库的Schema:
 {schema}
 根据这个Schema,你能输出一个SQL查询来回答以下问题吗？
 只输出SQL查询,不要输出任何内容，也不要带任何格式
 问题：{query}
 """
 # print(prompt)
 response = client.chat.completions.create(
 model="deepseek-reasoner",
 max_tokens=2048,
 messages=[{
  "role": "user",
  "content": prompt
 }]
 )
 return response.choices[0].message
 
# ask_deepseek("开发部部门员工的姓名和工资是多少？", schema)
question = "开发部部门员工的姓名和工资是多少？"
sql = ask_deepseek(question, schema_str)
print("生成的sql查询：")
print(sql)
1. 函数定义
def ask_deepseek(query, schema):

接收两个参数：

  • query：用户的自然语言问题（如“开发部...”）
  • schema：数据库结构描述
2. 构造 Prompt（提示词工程的核心！）
prompt = f"""
 这是一个数据库的Schema:
 {schema}
 根据这个Schema,你能输出一个SQL查询来回答以下问题吗？
 只输出SQL查询,不要输出任何内容，也不要带任何格式
 问题：{query}
 """
  • 明确告诉 AI 当前数据库结构
  • 强调指令：“只输出 SQL 查询，不要输出任何内容，也不要带任何格式”
  • 这种约束极大提升了输出的可用性——避免 AI 添加解释、Markdown 或多余字符
3. 调用大模型 API
response = client.chat.completions.create(
 model="deepseek-reasoner",
 max_tokens=2048,
 messages=[{
  "role": "user",
  "content": prompt
 }]
)
  • 使用 deepseek-reasoner 模型（专为逻辑推理优化）
  • 设置足够长的 max_tokens，避免截断复杂 SQL
  • 以标准 Chat 格式发送请求
4. 返回结果
return response.choices[0].message

获取 AI 生成的第一条回复内容（即纯 SQL 字符串）

5. 实际调用
question = "开发部部门员工的姓名和工资是多少？"
sql = ask_deepseek(question, schema_str)
print("生成的sql查询：")
print(sql)
  • 提问关于“开发部”的员工信息
  • 打印 AI 生成的 SQL

这就是 AIGC 的魔力：将人类语言（Human Language）翻译成机器语言（SQL），实现 自然语义数据库操作。

6. 输出示例
SELECT name, salary FROM employees WHERE department = '开发';

🎉 成功！AI 把中文问题准确地翻译成了标准 SQL！

AIGC 如何“理解”并生成 SQL？

让我们深入看看 AI 是怎么做到这一点的：

1. 上下文感知（Context Awareness）

AI 看到了完整的 Schema，知道：

  • 表名叫 employees
  • 字段有：name, department, salary
  • department 是字符串类型

2. 意图识别（Intent Recognition）

AI 分析问题：“开发部门员工的姓名和工资是多少？”

  • 关键词提取：开发部门 → 对应 department = '开发'
  • 查询目标：姓名和工资 → 对应 name, salary

3. 语法生成（Grammar Generation）

AI 根据 SQL 语法规则，组合出：

SELECT name, salary 
FROM employees 
WHERE department = '开发';

🤯 整个过程就像一位“数据库翻译官”：把人的语言翻译成机器能懂的语言。

未来展望：AIGC + 数据库 = 新一代生产力工具

传统方式 AIGC 方式
必须记住表名、字段名 自动识别字段
容易写错 SQL 几乎零错误率
需要调试 一键生成

未来的趋势将是：

  • 低代码/无代码平台 中集成 AI SQL 生成器
  • 数据分析人员 无需学习 SQL，也能高效查询
  • 智能助手 可实时回答业务问题（如：“本月销售额最高的产品是哪个？”）

结语：数据库不再高冷，人人都是数据分析师

过去，数据库是程序员的专属领域；
今天，借助 AIGC，任何人都可以用自然语言与数据对话。

🔥 从“写 SQL”到“说中文”，
这不是技术的进步，而是认知的解放。

当你下次再问：“开发部工资多少？”时，别忘了——
背后可能正有一个 AI 在默默为你生成 SQL。

附录：

1. 完整可运行代码（Python + DeepSeek）

源码地址：python/text2sql/text2sql.ipynb · Zou/lesson_zp - 码云 - 开源中国

# 轻量级数据库
import sqlite3

# 打开链接
conn = sqlite3.connect("test.db")
# 数据库操作的句柄
cursor = conn.cursor()

cursor.execute("""
CREATE TABLE IF NOT EXISTS  employees (
    id INTEGER PRIMARY KEY,
    name TEXT,
    department TEXT,
    salary INTEGER
)
""")

sample_data = [
    (6, "王五", "开发部", 32000),
    ( 7, "张三", "销售部", 20000),
    ( 8, "赵六", "开发部", 33000),
    ( 9, "李四", "销售部", 15000)
]
cursor.executemany('INSERT INTO employees VALUES (?, ?, ?, ?)', sample_data)
conn.commit()

from openai import OpenAI
client = OpenAI(
    api_key='sk-c031736e926b4608ba8603be5750d572',
    base_url='https://api.deepseek.com/v1'
)

# 通过table_info 拿到employees 表的描述
# llm 生成sql 提供上下文
schema = cursor.execute("PRAGMA table_info(employees)").fetchall()
schema_str = "CREATE TABLE EMPLOYEES (\n" + "\n".join([f"{col[1]} {col[2]}" for col in schema]) + "\n)"
print("数据库Schema:")
print(schema_str)

def ask_deepseek(query, schema):
    prompt = f"""
    这是一个数据库的Schema:
    {schema}
    根据这个Schema,你能输出一个SQL查询来回答以下问题吗？
    只输出SQL查询,不要输出任何内容，也不要带任何格式
    问题：{query}
    """
    # print(prompt)
    response = client.chat.completions.create(
        model="deepseek-reasoner",
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": prompt
        }]
    )
    return response.choices[0].message
    
# ask_deepseek("开发部部门员工的姓名和工资是多少？", schema)
question = "开发部部门员工的姓名和工资是多少？"
sql = ask_deepseek(question, schema_str)
print("生成的sql查询：")
print(sql)
# AIGC # 数据库 # python # sql # sqlite
Logo
火山引擎 ADG 社区

火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。

更多推荐

Chess用户界面设计：Tailwind CSS样式系统和组件库

GitHub推荐项目精选中的ch/chess是一个类似chess.com的多人在线象棋平台，它采用现代化的前端技术栈构建，尤其在用户界面设计上通过Tailwind CSS样式系统和组件库实现了优雅且功能丰富的交互体验。本文将深入探讨该项目如何利用Tailwind CSS打造一致的设计语言和高效的组件系统，为象棋爱好者提供沉浸式的游戏界面。## 🎨 Tailwind CSS样式系统：构建统一视

avatar 火山引擎 ADG 社区

终极指南：GPT-Engineer如何通过AI自动发现代码问题并提升质量

GPT-Engineer是一款强大的AI驱动代码工具，它能帮助开发者自动检测潜在代码问题、优化代码质量，让编程效率提升3倍以上。无论是新手还是资深开发者，都能通过这款工具轻松发现代码中的隐藏缺陷，减少调试时间，释放更多精力在创造性工作上。## 一键发现代码问题：GPT-Engineer的AI审查魔力GPT-Engineer的核心能力在于其内置的智能代码分析系统。通过集成Python代码格式

avatar 火山引擎 ADG 社区

SatDump中的纠错编码技术：从RS码到Turbo码的完整实现指南

在卫星数据传输过程中，信号往往会受到各种干扰，导致数据错误。SatDump作为一款通用卫星数据处理软件，集成了多种先进的纠错编码技术，确保从卫星接收到的数据能够准确解码。本文将深入解析SatDump中从Reed-Solomon（RS）码到Turbo码的实现细节，帮助读者理解这些技术如何保障卫星通信的可靠性。## 为什么纠错编码对卫星数据至关重要？卫星与地面站之间的通信链路面临着空间辐射、大

avatar 火山引擎 ADG 社区