摘要：数据库是企业离不开的基础设施，但是数据库在使用过程中存在一定的门槛，因为使用者需要具备相当的专业知识，随着大模型技术的完善，使用自然语言操作数据库也变得越来越容易。

本文作者：Gitee AI 用户 刘谷川

数据库是企业离不开的基础设施，但是数据库在使用过程中存在一定的门槛，因为使用者需要具备相当的专业知识，随着大模型技术的完善，使用自然语言操作数据库也变得越来越容易。

使用自然语言操作数据库可以广泛应用于以下场景：

自然语言操作数据库主要是文本生成模型和特征抽取模型的组合运用，也就是现在流行的 RAG 技术的具体应用，我们经过测试，选用了 Gitee AI 的这两个模型作为黄金搭档，实测效果非常好：

但仅有好用的大模型还不够，这里还需配合笔者开发的 AI Agent 软件 Local Agents，首先通过bge-large-zh-v1.5对数据库进行特征抽取，结合全文索引形成混合索引，然后使用Qwen2.5-72B-Instruct基于混合索引，最终实现使用自然语言操作数据库。

Local Agents 是一套集成了多种 AI 功能的智能体集合，它通过 AI 辅助对话、文档解析、多媒体处理、知识库构建、数据库交互以及终端控制等核心功能，致力于为用户提供一个高效、便捷且成本效益高的 AI 辅助解决方案，官网：https://agents.uue.cn/

在 Local Agents 的数据库智能体设置中，将文本向量模型设定为 Gitee AI 的bge-large-zh-v1.5，特征抽取成本非常低，数据库表的数量也不会很大，可以放心使用。

配置好数据库参数后，通过bge-large-zh-v1.5对数据库表结构（DDL）进行特征抽取，这里为了效果更好，我再做了一个全文索引，形成了向量+全文索引的混合索引，提升了匹配的成功率。

这里是非技术部门经常会遇到的问题，想查一个基础数据，技术部门腾不出手来帮忙，只能望洋兴叹，现在来看看自然语言查询的效果，使用自然语言查询，比如：请问如何统计各个大区的点击数？

这里我们使用了Qwen2.5-72B-Instruct来完成这一任务。可以看到大模型准确的识别了用户意图并完成了查询

我们还可以通过大模型自动生成可视化图表，让数据更直观。还可以使用专属 Prompt 对可视化进行详细要求（比如是饼图还是折线图），来看看效果。

对查询结果不满意，有的表总是命中不了，还可以指定全部表或者特定表，毕竟特征抽取和大模型技术也不是万能的。

细心的朋友一定发现，这个数据库查询 SQL 太慢了，居然耗时 4809ms，那么如何优化呢，如果不熟悉数据库结构，可能就一筹莫展了，那么我们还是可以用bge-large-zh-v1.5 + Qwen2.5-72B-Instruct来帮助我们。

我们只要将数据库的 explain 信息和 DDL 一起提交给大模型，大模型就会分析问题并给出我们答案，如下所示，Qwen2.5-72B-Instruct很快找到了问题，并给出了方案，我们根据方案添加了一个索引。

再次执行 SQL 来看看效果，同样的 SQL，现在仅仅耗时 321ms，优化成功了。

再优秀的程序员都会犯错，我们如果写入 SQL 时不小心出现了错误，大模型这时候也可以大显身手，如下图所示，Qwen2.5-72B-Instruct准确地找到了 SQL 的问题并给出了修正方案。

员工入职新项目，往往对数据库结构一无所知，看数据库文档当然是一个好办法，但是也很枯燥。有没有好的办法能够让数据库理解更加简单方便呢，自然语言操作数据库就能帮忙。

看看这个例子，用户想了解哪些表和用户密切相关，那么他可以输入：找到和客户相关的表。

如上图所示，通过对特征抽取后的数据库结构的分析，大模型得到了结论，并通过 mermaid 技术生成了 ER 图。

如果设计数据库时，有些注释遗漏了，大模型也是一个好帮手，他可以自动帮你生成数据库注释，例如我们输入：

大区和点击数相关的表补充相关表注释并生成相关的修改语句

如上图所示，可以看到效果相当的不错，大模型对数据库理解非常的透彻和准确（当然取决于数据库字段命名的规范）。

从上面的例子可以看出，使用 Local Agents 结合 Gitee AI 提供的bge-large-zh-v1.5 + Qwen2.5-72B-Instruct组合很好的完成了自然语言操作数据库的任务，能够涵盖数据库查询、数据可视化、数据库优化、数据库分析与设计等一系列的问题。我在实际使用过程中，感觉效果还是不错的。

来源：码云Gitee