导读：

本文围绕 “自然语言直接查询数据库” 展开探索。开篇指出通用大模型在具体领域存在不足，引出将数据库与大模型结合的设想，即利用大模型的自然语言处理能力实现数据库查询。接着详细阐述探索思路，包括让大模型理解数据库元数据、借助大模型处理自然语言等。随后介绍了连接数据库和大模型的方法，还给出了整体测试过程，涵盖单表和多表测试，展示了理想的测试效果。文章最后对该技术的未来发展进行了思考，探讨其对相关岗位的影响以及市场上同类工具的现状 。

1. 背景

最近大模型的火爆引发了全民热议，实际上只是通用大模型，在具体的领域还是有很多不足。真正用起来，是要和一些场景、应用结合，这是不言而喻的。作为本职是大数据人员，自然就想到平时我们的数据库能不能和大模型结合，减少工作的压力。大模型最突出的一点就是自然语言，那么能不能使用自然语言直接对话大模型，然后查询数据库，最后获取结果数据集呢？我想这是个值得尝试探索的路。

2. 探索思路

最初我想的是，对话大模型，让大模型给出sql，通过它给的sql查询数据库出结果。

这样大模型只参与自然语言转换sql，可能会对数据库的情况不了解。因此我觉得应该让大模型了解数据库的元数据，在实际操作中，我发现给大模型一条样例数据效果上会更好。可以把大模型理解成一个空有一身本事却无处施展的人，所以给的prompt越多，他的回答也会更加精准。

其实这属于NLP技术，中文意思是自然语言处理，是人工智能领域的一个重要方向，不过如果自己去处理自然语言，代价会很大，而且这需要大量的数据训练，这样成本太大了，因此借助大模型直接处理自然语言。

3. 连接数据库

python连接Mysql数据库是十分简单的，就不多解释了。只是这里做三件事

• 遍历指定库中所有的表

• 获取每个表的DDL

• 每个表查询limit 1数据，作为样例

把表DDL和样例数据提供给prompt

4. 连接大模型

关于如何使用Python连接大模型，这个在之前的文章中有详细的介绍，有兴趣的朋友可以看看文末的往期推荐 。

这里直接给出案例

# 基础初始化设置
base_url = "http://localhost:11434/api"
url = f"{base_url}/generate"
headers = {
    "Content-Type": "application/json"
}
data = {
    "model": "deepseek-r1:8b",
    "prompt": "你是一个专业的mysql生成助手，能够准确理解用户需求并生成规范的SQL语句"+"这是建表语句和样例数据：\n\n" + database_schema + "\n\n"+"现在要求，\n " + prompt + " \n 请你生成正确的sql查询语句",
    "stream": False
}
response = requests.post(url, headers=headers, json=data)
return response.json().get('response', '')

这里我使用的是本地deepseek-r1-8B 的模型就可以满足使用，没有条件本地部署的朋友可以找其他平台提供的api，用起来效果差不多。

5. 整体测试

上述方法可以让大模型输出sql，实际使用中还需要对大模型输出的回答简单清洗一下，因为下一步给数据库的只需要sql语句即可。

下面是主体代码

def generate_and_execute(prompt: str, ) -> None:
    # 获取数据库元数据
    database_schema = get_database_schema()
    # 生成SQL
    generated_sql = generate_query_local_model(prompt, database_schema)
    print(f"\n【生成的SQL】\n{generated_sql}")
    # 提取SQL
    sql = extract_sql(generated_sql)
    # 执行查询
    print("\n【查询结果】")
    result = execute_sql(sql)
    if isinstance(result, list):
        for row in result:
            print(row)
    else:
        print(result)

这里我事先做了两张表，一个员工表、一个员工部门表。

下面的测试围绕这两个表

5.1 单表测试

第一次我查询

查询销售部年龄大于35岁的男性员工

任务执行之后 GPU立刻就拉满了，可怜我奋斗多年的笔记本啊。

很快就出现结果，如下图

首先deepseek进行了think，给出了sql，并做出了结果。最后是连接数据库查询的结果。效果很理想。

5.2 多表测试

单表没问题，那么多表联查呢，我试着查询

查询研发部所有员工的姓名

运行结果如下

deepseek给出了正确的联表查询sql。

以上代码关注 DataSpeed 公众号，回复 自然语言查询数据库 ，即可获取完整代码。

6.总结与思考

虽然demo做的不复杂，不过这个事却值得深思，要知道AI学习的速度是十分快的。

1. 不久之后，可能是用户直接用自然语言描述获取结果数据集，而不用关心中间的实现过程。

2. 以后SQLBoy这个岗位恐怕是有点危险了。起码一般的sql交给大模型是没问题的，在业务复杂的情况下，麻烦的是把业务情况喂给大模型，经验丰富的sqlboy可能在初期是占优势的。依次类推，代码开发等技术工作可能也会这样。

3. 类似的工具实际已经有了，不过基本都是商业化产品，比如chat2DB、Azure SQL 他们在这条路上已经走了很远。而开源产品还是很少，或者做的十分简单。

4. 大模型带来的冲击十分大，目前看似还有点门槛，以后会融入到生活，就像电脑出现再到个人电脑那样，成为习以为常的东西。