Text-to-SQLは予測可能な形で失敗します。モデルが存在しないテーブルを作る、結合を落とす、動くが別の問いに答えるSQLを書く。このプロジェクトはその3つすべてへの実用的な答えで、検索コーパスと検証工程を隠さずに見せています。

NL2SQL Analyticsでは、MySQLデータベースについて平易な英語で質問できます。ツールを使うLangChainエージェントがサーバーのバージョンを確認し、テーブル一覧を取得し、Milvusベクトルストアから最も類似したDDL、業務ドキュメント、質問とSQLのペアを検索し、SQLを書き、構文を検証し、実行して結果を説明します。作業中の各ツール呼び出しはチャットに流れます。

チャットの周りには作業台が一式あります。生成したSQLも手書きのSQLも実行して結果をページ送りでき、棒・折れ線・円グラフを描画し、結果をCSVとしてコピーし、クエリを生成する前にデータベース、テーブル、カラムを閲覧し、エージェントが検索する学習データを整備できます。変更は即座にベクトルストアへ書き込まれます。

スタックはMySQL、Milvus、S3互換オブジェクトストアをDocker Composeでローカルに動かし、英語のデモECデータセットを同梱します。そのスキーマコメントをエージェントはinformation_schema経由で読み戻すため、カラムのコメントを編集するとモデルの知識が変わります。埋め込みはOpenAI互換の任意のエンドポイントから取得できます。

読むべきは検索の設計です。カラムのコメントがモデルの知識になり、整備した質問とSQLのペアは実行時に編集できて即座にベクトルストアへ書き戻され、生成されたクエリはデータベースに触れる前に必ず検証を通ります。