텍스트-SQL은 예측 가능한 방식으로 실패합니다. 모델이 없는 테이블을 만들거나, 조인을 빠뜨리거나, 실행은 되지만 다른 질문에 답하는 SQL을 씁니다. 이 프로젝트는 세 가지 모두에 대한 실제 답이며, 검색 코퍼스와 검증 단계를 그대로 열어 둡니다.

NL2SQL Analytics를 쓰면 MySQL 데이터베이스에 평범한 영어로 질문할 수 있습니다. 도구를 쓰는 LangChain 에이전트가 서버 버전을 확인하고, 전체 테이블 목록을 가져오고, 가장 유사한 DDL과 업무 문서, 질문/SQL 쌍을 Milvus 벡터 저장소에서 검색합니다. 그다음 SQL을 작성하고, 구문을 검증하고, 실행하고, 결과를 설명합니다. 작업하는 동안 각 도구 호출이 채팅으로 스트리밍됩니다.

채팅 주위에는 완전한 워크벤치가 있습니다. 생성된 SQL이나 직접 작성한 SQL을 실행하고 결과를 넘겨 보며, 막대, 선, 원형 차트를 그리고, 결과를 CSV로 복사하고, 쿼리를 생성하기 전에 데이터베이스, 테이블, 컬럼을 살펴보고, 에이전트가 검색하는 학습 데이터를 관리합니다. 변경 사항은 즉시 벡터 저장소에 기록됩니다.

스택은 MySQL, Milvus, S3 호환 오브젝트 저장소를 Docker Compose로 로컬에서 실행합니다. 영어 데모 이커머스 데이터셋이 함께 제공되며, 에이전트는 그 스키마 주석을 information_schema로 다시 읽습니다. 그래서 컬럼 주석을 고치면 모델이 아는 내용이 바뀝니다. 임베딩은 OpenAI 호환 엔드포인트면 무엇이든 됩니다.

검색 설계를 보려면 이 프로젝트를 읽으세요. 컬럼 주석이 모델의 지식이 되고, 관리한 질문/SQL 쌍은 런타임에 편집되어 즉시 벡터 저장소로 기록되며, 생성된 모든 쿼리는 데이터베이스에 닿기 전에 검증을 통과합니다.