本技術(shù)涉及自然語(yǔ)言處理領(lǐng)域，尤其涉及一種基于大模型的sql語(yǔ)句生成方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、近年來(lái)，大模型技術(shù)(llm)在自然語(yǔ)言處理領(lǐng)域取得了突破性進(jìn)展，其在多項(xiàng)任務(wù)上表現(xiàn)出色，引發(fā)了廣泛關(guān)注。隨著神經(jīng)網(wǎng)絡(luò)架構(gòu)的創(chuàng)新以及gpu等專(zhuān)用硬件的發(fā)展，計(jì)算能力大幅提升，使得訓(xùn)練具有數(shù)百萬(wàn)甚至數(shù)十億參數(shù)的大模型成為可能；同時(shí)，基于大模型技術(shù)的生成式ai也被廣泛地運(yùn)用到文本生成、圖像生成、代碼生成等任務(wù)中，為ai應(yīng)用帶來(lái)新的契機(jī)。

2、然而，在相關(guān)技術(shù)中，特別是業(yè)界中常用的sql生成方案主要基于規(guī)則，通過(guò)定義一系列語(yǔ)法規(guī)則和模板，根據(jù)用戶(hù)輸入構(gòu)建sql語(yǔ)句。該方案存在以下缺陷：1)用戶(hù)學(xué)習(xí)和使用成本高，難以記憶和理解復(fù)雜的sql生成規(guī)則；2)靈活性差，適用范圍有限，難以構(gòu)建出規(guī)則和模板以外的sql語(yǔ)句；3)交互性差，不能根據(jù)用戶(hù)使用時(shí)的上下文推導(dǎo)出合適的sql語(yǔ)句；4)自身無(wú)法改進(jìn)生成sql語(yǔ)句的準(zhǔn)確性，需要專(zhuān)業(yè)人員手工對(duì)sql規(guī)則和模板進(jìn)行優(yōu)化；5)需要針對(duì)不同類(lèi)型的數(shù)據(jù)庫(kù)配置不同的規(guī)則和模板，效率低下；6)數(shù)據(jù)庫(kù)表結(jié)構(gòu)大部分使用英文單詞，甚至有很多簡(jiǎn)寫(xiě)的情況，難以滿(mǎn)足中文語(yǔ)境場(chǎng)景。

技術(shù)實(shí)現(xiàn)思路

1、鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本技術(shù)公開(kāi)了一種基于大模型的sql語(yǔ)句生成方法、系統(tǒng)及設(shè)備，用于解決上述多個(gè)技術(shù)問(wèn)題中的至少之一。

2、本技術(shù)的第一方面公開(kāi)了一種基于大模型的sql語(yǔ)句生成方法，包括：將來(lái)自數(shù)據(jù)庫(kù)的元數(shù)據(jù)以及元數(shù)據(jù)描述文本信息分別進(jìn)行向量化處理、文檔化處理，存儲(chǔ)到向量數(shù)據(jù)庫(kù)、全文檢索庫(kù)；響應(yīng)于用戶(hù)的查詢(xún)指令，分別對(duì)所述向量數(shù)據(jù)庫(kù)和所述全文檢索庫(kù)進(jìn)行查詢(xún)匹配，按照相似度從高到低排序篩選排名靠前為預(yù)設(shè)名次的匹配結(jié)果，確定最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)；基于所述查詢(xún)指令的當(dāng)前語(yǔ)種，結(jié)合所述最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)生成為當(dāng)前所述語(yǔ)種的提示詞；根據(jù)所述提示詞的語(yǔ)種類(lèi)型確定預(yù)設(shè)種類(lèi)的大模型，調(diào)用預(yù)設(shè)大模型對(duì)所述提示詞進(jìn)行推理，生成sql語(yǔ)句，其中，每類(lèi)語(yǔ)種的所述提示詞對(duì)應(yīng)至少一種大模型。

3、于本技術(shù)第一方面的某些實(shí)施例中，生成sql語(yǔ)句之后，還包括：根據(jù)預(yù)設(shè)規(guī)則對(duì)所述sql語(yǔ)句進(jìn)行校驗(yàn)，若校驗(yàn)通過(guò)，則向用戶(hù)輸出所述sql語(yǔ)句；其中，所述預(yù)設(shè)規(guī)則包括安全策略與敏感詞過(guò)濾；若校驗(yàn)不通過(guò)，則基于智能sql知識(shí)庫(kù)識(shí)別所述sql語(yǔ)句的缺陷，并基于規(guī)則和大模型的混合優(yōu)化模式生成sql優(yōu)化建議。

4、于本技術(shù)第一方面的某些實(shí)施例中，所述基于規(guī)則和大模型的混合優(yōu)化模式為以下至少之一：將過(guò)濾篩選條件移至最底層進(jìn)行查詢(xún)，判斷所述sql語(yǔ)句是否能夠謂詞下推；判斷是否重寫(xiě)所述sql語(yǔ)句、判斷是否優(yōu)化聚合函數(shù)、判斷是否合并多個(gè)所述sql語(yǔ)句。

5、于本技術(shù)第一方面的某些實(shí)施例中，調(diào)用預(yù)設(shè)大模型對(duì)所述提示詞進(jìn)行推理，生成sql語(yǔ)句，包括：若監(jiān)測(cè)到某類(lèi)語(yǔ)種的所述提示詞對(duì)應(yīng)有且僅有一種大模型，則調(diào)用所述大模型對(duì)所述提示詞進(jìn)行推理，對(duì)應(yīng)生成所述sql語(yǔ)句；或，若監(jiān)測(cè)到某類(lèi)語(yǔ)種的所述提示詞對(duì)應(yīng)有且僅有一種大模型，將所述提示詞、所述最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)聯(lián)合輸入到所述大模型進(jìn)行推理，對(duì)應(yīng)生成所述sql語(yǔ)句，其中，所述大模型為多模態(tài)大模型；若監(jiān)測(cè)到某類(lèi)語(yǔ)種的所述提示詞對(duì)應(yīng)有幾種大模型，則分別調(diào)用每種所述大模型對(duì)所述提示詞進(jìn)行推理，對(duì)應(yīng)生成多個(gè)所述sql語(yǔ)句，將多個(gè)所述sql語(yǔ)句進(jìn)行整合處理，生成最終的所述sql語(yǔ)句。

6、于本技術(shù)第一方面的某些實(shí)施例中，基于所述查詢(xún)指令的當(dāng)前語(yǔ)種，結(jié)合所述最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)生成為當(dāng)前所述語(yǔ)種的提示詞，包括：根據(jù)模板選項(xiàng)對(duì)提示詞模板進(jìn)行配置，所述模板選項(xiàng)包括提示詞模板分類(lèi)、提示詞模板名稱(chēng)與提示詞語(yǔ)種；基于所述查詢(xún)指令所屬的業(yè)務(wù)場(chǎng)景，確定所述提示詞模板的類(lèi)別和名稱(chēng)，基于所述查詢(xún)指令的當(dāng)前語(yǔ)種，將所述查詢(xún)指令所對(duì)應(yīng)的用戶(hù)問(wèn)題信息、最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)的文本描述信息填充到所述提示詞模板，翻譯成當(dāng)前所述語(yǔ)種的提示詞。

7、于本技術(shù)第一方面的某些實(shí)施例中，將來(lái)自數(shù)據(jù)庫(kù)的元數(shù)據(jù)以及元數(shù)據(jù)描述文本信息分別進(jìn)行向量化處理、文檔化處理之前，還包括：獲取數(shù)據(jù)庫(kù)配置信息，所述數(shù)據(jù)庫(kù)配置信息包括數(shù)據(jù)庫(kù)類(lèi)型、數(shù)據(jù)庫(kù)訪(fǎng)問(wèn)地址、數(shù)據(jù)庫(kù)端口和賬號(hào)密碼；根據(jù)所述數(shù)據(jù)庫(kù)配置信息訪(fǎng)問(wèn)數(shù)據(jù)庫(kù)中數(shù)據(jù)源，基于預(yù)設(shè)元數(shù)據(jù)查詢(xún)規(guī)則對(duì)所述數(shù)據(jù)源的表結(jié)構(gòu)進(jìn)行解析，確定描述數(shù)據(jù)特征和屬性的元數(shù)據(jù)；判斷所述元數(shù)據(jù)是否存在關(guān)聯(lián)的元數(shù)據(jù)描述文本信息，所述元數(shù)據(jù)描述文本信息包括自定義描述信息；若所述元數(shù)據(jù)存在關(guān)聯(lián)的所述自定義描述信息，則將所述元數(shù)據(jù)與所述自定義描述信息翻譯成多語(yǔ)言描述信息，并按預(yù)設(shè)格式發(fā)送至智能sql數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)；若所述元數(shù)據(jù)不存在關(guān)聯(lián)的所述自定義描述信息，則對(duì)表或字段的注釋進(jìn)行翻譯，若不存在所述表或字段的注釋?zhuān)瑒t翻譯所述表或字段的名稱(chēng)，并將翻譯成多語(yǔ)言描述信息按預(yù)設(shè)格式發(fā)送至智能sql數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)。

8、于本技術(shù)第一方面的某些實(shí)施例中，所述全文檢索庫(kù)包括：基于知識(shí)庫(kù)分類(lèi)、知識(shí)庫(kù)名稱(chēng)、本地文件路徑確定本地知識(shí)庫(kù)；將所述本地知識(shí)庫(kù)內(nèi)的文檔數(shù)據(jù)轉(zhuǎn)換為文本信息，并按照文本分割策略將所述文本信息進(jìn)行分割，得到預(yù)設(shè)格式文本，所述文本分割策略包括以下至少之一：段落、文本行、詞語(yǔ)；將所述預(yù)設(shè)格式文本轉(zhuǎn)換為文檔向量，存儲(chǔ)到滿(mǎn)足支持向量搜索引擎的向量數(shù)據(jù)庫(kù)形成全文檢索庫(kù)。

9、于本技術(shù)第一方面的某些實(shí)施例中，所述基于所述查詢(xún)指令的當(dāng)前語(yǔ)種，結(jié)合所述最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)生成為當(dāng)前所述語(yǔ)種的提示詞，包括：構(gòu)建一個(gè)特征描述詞庫(kù)，所述描述詞庫(kù)包含描述潛在風(fēng)險(xiǎn)特征的正向描述詞和負(fù)向描述詞；根據(jù)描述詞庫(kù)的描述詞和提示詞工程，確定提示詞模板；基于所述查詢(xún)指令所屬的業(yè)務(wù)場(chǎng)景，確定所述提示詞模板的類(lèi)別和名稱(chēng)，基于所述查詢(xún)指令的當(dāng)前語(yǔ)種，將所述查詢(xún)指令所對(duì)應(yīng)的用戶(hù)問(wèn)題信息、最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)的文本描述信息填充到所述提示詞模板，翻譯成當(dāng)前所述語(yǔ)種的提示詞。

10、本技術(shù)的第二方面公開(kāi)了一種基于大模型的sql語(yǔ)句生成方法系統(tǒng)，包括：數(shù)據(jù)處理模塊，用于將來(lái)自數(shù)據(jù)庫(kù)的元數(shù)據(jù)以及元數(shù)據(jù)描述文本信息分別進(jìn)行向量化處理、文檔化處理，存儲(chǔ)到向量數(shù)據(jù)庫(kù)、全文檢索庫(kù)；智能sql模塊，用于響應(yīng)于用戶(hù)的查詢(xún)指令，分別對(duì)所述向量數(shù)據(jù)庫(kù)和所述全文檢索庫(kù)進(jìn)行查詢(xún)匹配，按照相似度從高到低排序篩選排名靠前為預(yù)設(shè)名次的匹配結(jié)果，確定最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)；提示詞確定模塊，基于所述查詢(xún)指令的當(dāng)前語(yǔ)種，結(jié)合所述最優(yōu)sql語(yǔ)句列表與最優(yōu)元數(shù)據(jù)生成為當(dāng)前所述語(yǔ)種的提示詞；sql生成模塊，用于根據(jù)所述提示詞的語(yǔ)種類(lèi)型確定預(yù)設(shè)種類(lèi)的大模型，調(diào)用預(yù)設(shè)大模型對(duì)所述提示詞進(jìn)行推理，生成sql語(yǔ)句，其中，每類(lèi)語(yǔ)種的所述提示詞對(duì)應(yīng)至少一種大模型。

11、本技術(shù)的第三方面公開(kāi)了一種電子設(shè)備，包括：處理器及存儲(chǔ)器；所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述處理器用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使所述電子設(shè)備執(zhí)行上述的方法。

12、本技術(shù)的有益效果：通過(guò)將數(shù)據(jù)庫(kù)的元數(shù)據(jù)及其描述文本信息進(jìn)行向量化處理和文檔化處理，實(shí)現(xiàn)了數(shù)據(jù)的深度解析與結(jié)構(gòu)化，一方面，通過(guò)向量化處理捕捉數(shù)據(jù)間的潛在關(guān)系，便于后續(xù)相似性計(jì)算和快速檢索；另一方面，文檔化處理則保留了原始文本的上下文信息，便于全文檢索；優(yōu)化了數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)，為后續(xù)查詢(xún)提供了堅(jiān)實(shí)的基礎(chǔ)，通過(guò)利用向量數(shù)據(jù)庫(kù)進(jìn)行基于相似度的向量查詢(xún)匹配，以及利用全文檢索庫(kù)進(jìn)行文本內(nèi)容的精確或模糊搜索，不僅擴(kuò)大了查詢(xún)的覆蓋范圍，還能根據(jù)相似度對(duì)結(jié)果進(jìn)行排序，篩選出與用戶(hù)查詢(xún)意圖最為接近的預(yù)設(shè)名次內(nèi)的匹配結(jié)果，顯著提高了查詢(xún)的準(zhǔn)確性和效率；基于查詢(xún)結(jié)果，能夠自動(dòng)確定最優(yōu)的sql語(yǔ)句列表與元數(shù)據(jù)，為用戶(hù)推薦最適合當(dāng)前查詢(xún)需求的sql語(yǔ)句和元數(shù)據(jù)，減少了用戶(hù)手動(dòng)篩選和調(diào)整的時(shí)間成本，能夠識(shí)別用戶(hù)查詢(xún)指令的當(dāng)前語(yǔ)種，并據(jù)此生成對(duì)應(yīng)語(yǔ)種的提示詞，極大地增強(qiáng)了多語(yǔ)種支持能力，使得不同語(yǔ)言背景的用戶(hù)都能獲得流暢的交互體驗(yàn)；同時(shí)，通過(guò)調(diào)用預(yù)設(shè)的大模型對(duì)提示詞進(jìn)行推理，能夠自動(dòng)生成符合用戶(hù)需求的sql語(yǔ)句，確保了生成的sql語(yǔ)句既準(zhǔn)確又符合語(yǔ)言習(xí)慣。

13、此外，本技術(shù)不僅降低了人工操作的復(fù)雜性和錯(cuò)誤率，還提高了查詢(xún)響應(yīng)速度和用戶(hù)滿(mǎn)意度，通過(guò)不斷優(yōu)化大模型的訓(xùn)練數(shù)據(jù)和算法，本技術(shù)的智能化水平將持續(xù)提升，為用戶(hù)帶來(lái)更加便捷和高效的數(shù)據(jù)庫(kù)查詢(xún)體驗(yàn)，基于大模型及生成式ai技術(shù)，提高了生成的sql語(yǔ)句的準(zhǔn)確性，降低了非技術(shù)人員使用門(mén)檻，也提升sql語(yǔ)句查詢(xún)效率；除此之外，通過(guò)理解用戶(hù)的自然語(yǔ)言輸入，并記憶用戶(hù)使用上下文，提高了sql語(yǔ)句查詢(xún)的易用與交互性，通過(guò)多語(yǔ)種結(jié)合混合大模型的使用方案，使得不同語(yǔ)種的用戶(hù)都可以方便地使用。