Text-zu-SQL scheitert auf vorhersehbare Weise: Das Modell erfindet eine Tabelle, übersieht einen Join oder schreibt etwas, das läuft, aber eine andere Frage beantwortet. Dieses Projekt ist eine funktionierende Antwort auf alle drei, mit offengelegtem Retrieval-Korpus und offengelegtem Validierungsschritt.

NL2SQL Analytics beantwortet Fragen zu einer MySQL-Datenbank in natürlicher Sprache. Ein werkzeugnützender LangChain-Agent prüft die Serverversion, zieht die vollständige Tabellenliste, ruft die ähnlichsten DDL, Geschäftsdokumentation und Frage/SQL-Paare aus einem Milvus-Vektorspeicher ab, schreibt SQL, validiert die Syntax, führt sie aus und erklärt das Ergebnis; jeder Werkzeugaufruf wird während der Arbeit in den Chat gestreamt.

Um den Chat herum liegt eine vollständige Werkbank: erzeugtes oder handgeschriebenes SQL ausführen und durch Ergebnisse blättern, Balken-, Linien- und Kreisdiagramme rendern, Ergebnisse als CSV kopieren, Datenbanken, Tabellen und Spalten vor dem Erzeugen einer Abfrage durchsuchen und die Trainingsdaten pflegen, aus denen der Agent abruft. Änderungen werden sofort in den Vektorspeicher geschrieben.

Der Stack läuft lokal über Docker Compose für MySQL, Milvus und einen S3-kompatiblen Objektspeicher und liefert einen englischen Demo-Datensatz für E-Commerce mit, dessen Schema-Kommentare der Agent über information_schema zurückliest; eine geänderte Spaltenbemerkung ändert also, was das Modell weiß. Embeddings kommen von jedem OpenAI-kompatiblen Endpunkt.

Lesen Sie es für das Retrieval-Design: Spaltenkommentare werden zu Modellwissen, kuratierte Frage/SQL-Paare sind zur Laufzeit editierbar und werden sofort in den Vektorspeicher zurückgeschrieben, und jede erzeugte Abfrage durchläuft eine Validierung, bevor sie die Datenbank berühren darf.