老规矩，先看效果
下面的 demo 来自试用的 SuperSonic，将会在下面详细介绍：
大模型时代 Text-to-SQL 特点
随着基于 LLM 技术的发展，RAG / AI Agent / Fine-tuning 等方法也广泛应用于 Text-to-SQL 领域，大模型时代发展出如下特点：
- 平台化
提高兼容性，便于接入其他产品，生产环境下，不同产品 schema 定义不一样，甚至用的数据库都不一样，比如：mysql / postgressql / nosql ...，就要求具有平台的兼容特点
- 插件化
提高扩展性，便于功能扩展，如：
提供记忆功能，缓存用户问题，提高响应速度；
提供 tools 调用功能，用于返回数据的后处理（LLM的数据计算能力，一直是限制产业试用的短板）；
提供结果渲染功能，生成表格，图片，报告，markdown
- 自我进化
评测 -> 反馈 -> 优化，形成闭环，不断丰富数据集，提高准确性。text2sql 本质是数据产品，高质量的数据集决定了项目成功与否
- 成本控制
大模型调用按照 token 数量算钱，本地部署也需要占用算力资源，因此如何优化 prompt template，降低成本，也是必须考虑的因素
开源项目详细介绍
借助这些开源项目，可以方便快速构建出 demo，对方案验证很有作用。这些开源项目，大多能方便导入自己的数据库配置，而且可以本地化部署，保证数据安全；同时还能配置不同的 LLM，让系统能力与时俱进，比如可以接入当下能力很强的 claude-3.7，openai-o1，deepseek-r1 ...
DB-GPT & DB-GPT-hub
https://github.com/eosphoros-ai/DB-GPT
https://github.com/eosphoros-ai/DB-GPT-Hub
https://github.com/antvis/GPT-Vis
AI Agent + RAG + Fine-tuning
设计架构图：
调研特点总结：
1. 支持微调（fine-tuning）
微调支持的模型：LLaMA、LLaMA-2、BLOOM、BLOOMZ、Falcon、Baichuan、Baichuan2、InternLM、Qwen、XVERSE、ChatGLM2
支持的微调技术：LoRA / QLoRA / Pturning
2. 有 UI 界面，如下图：用 streamlit 实现（顺带说一下，streamlit 是纯 python 的 web 神器，非常适合数据项目和 LLM 项目试用）：https://github.com/antvis/GPT-Vis
3. 支持的推理模型很新，Qwen2.5 / Deepseek 都支持
4. Monitor 系统完备
5. DB-GPT-Hub 支持微调 GQL（图数据库查询）
6. 没有提供数据库接入，需要自己加
Vanna
https://github.com/vanna-ai/vanna
https://vanna.ai/
https://vanna.ai/docs/postgres-openai-standard-chromadb/
AI Agent + RAG
提供 pip 包安装：https://pypi.org/project/vanna/
下面是设计图：
试用后特点总结：
1. 自带 UI 界面
2. 可以向系统输入自己的 DDL 语句 / 附加信息 / sql语句，vn.train
from vanna.openai import OpenAI_Chat
from vanna.chromadb import ChromaDB_VectorStore
class MyVanna(ChromaDB_VectorStore, OpenAI_Chat):
def __init__(self, config=None):
ChromaDB_VectorStore.__init__(self, config=config)
OpenAI_Chat.__init__(self, config=config)
vn = MyVanna(config={'api_key': 'sk-...', 'model': 'gpt-4-...'})# 添加训练数据的示例
# DDL 语句功能强大，因为它们指定了表名、列名、数据类型，还可能指定了关系。
vn.train(ddl="""
CREATE TABLE IF NOT EXISTS my-table (
id INT PRIMARY KEY,
name VARCHAR(100),
age INT
)
""")
# 添加关于业务术语或定义的文档说明。
vn.train(documentation="Our business defines OTIF score as the percentage of orders that are delivered on time and in full")
# 将 SQL 查询添加到训练数据
vn.train(sql="SELECT * FROM my-table WHERE name = 'John Doe'")3. 支持的数据库更多
PostgreSQL、MySQL、PrestoDB、Apache Hive、ClickHouse、Snowflake、Oracle、Microsoft SQL Server、BigQuery、SQLite、DuckDB
SuperSonic
https://github.com/tencentmusic/supersonic
https://supersonicbi.github.io/
AI Agent + RAG
试用：http://117.72.46.148:9080
试用后的体会：功能多；且支持插件配置，方便能力扩展
特点：
1. 支持中文，这可能是目前独有的特点了
2. 支持配置自定义数据集
3. 支持 tools 调用：类似提供了 AI Agent 能力。具体来说
- 任意一个网页, 可以是一个看板, 也可以是一个解读报告, 召回之后可以把这个网页渲染到问答会话列表
- 也可以为任意一个HTTP服务链接
比如：
4. 支持的数据库类型：所有支持MySQL协议的数据库，如MySQL，Doris，StarRocks等；另外还有 Clickhouse，PostgreSQL，H2
5. 支持在数据库表上创建抽象层：维度 / 度量 / 指标
https://supersonicbi.github.io/docs/headless-bi/%E6%A6%82%E5%BF%B5/
6. 还有一个重要功能：术语管理，用于指代自定义知识，通过配置术语及其描述，就可以把私域知识传授给大模型。比如：对不同产品，近期的概念不一样，就可以在此处明确：
LangChain
https://python.langchain.com/v0.1/docs/use_cases/sql/
AI Agent + RAG
1. 没有 UI 页面，需要自己写
2. 内置 create_sql_query_chain 方便调用：https://api.python.langchain.com/en/latest/chains/langchain.chains.sql_database.query.create_sql_query_chain.html
from langchain.chains import create_sql_query_chain
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = create_sql_query_chain(llm, db)
response = chain.invoke({"question": "How many employees are there"})
response3. 方便使用 Langchain 自己的能力，引入 tools 等
4. 也支持导入 CSV，类似 text2sql 一样交流：https://python.langchain.com/v0.1/docs/use_cases/sql/csv/
总结
DB-GPT 很全面，有 AI Agent、RAG、微调、UI，如果时间充足，想深入研究，用各种技术提高准确率，选它没错；如果追求插件化，且是中文场，需要很快实现带 UI 界面演示，就选择 SuperSonic；如果数据库特殊，如：snokeflake，就用 vanna；如果需要把 text2sql 作为一项附加功能集成到其他 AI 平台，建议选择 LangChain。