3步让AI替你写SQLVanna自然语言查数据库快速上手指南【免费下载链接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .项目地址: https://gitcode.com/GitHub_Trending/va/vanna业务同学一句查一下销售额前十的客户就得让你手写一遍SQL。Vanna 是开源的 Text-to-SQL 框架把数据库结构训练进AI的记忆里业务用自然语言提问AI 直接返回 SQL 和查询结果不用再等数据团队排期。 原理一句话给AI递一张数据库名片新人入职都是这个套路先给组织架构图表结构再给团队术语表业务名词最后给几个过往案例。Vanna 干的就是这件事——把 DDL、业务定义、问答对喂给它存进向量库来问题先检索最相关的记忆交给 LLMSQL 才写得准。官方论文的实测数字很直白只给 schema 准确率约3%喂上上下文相关示例后能到约80%。 三步走通从安装到第一次提问第一步30秒安装先跑通示例pip install vanna # 没有 LLM API key先用内置 Mock 示例感受完整流程 python -m vanna.examples.mock_quickstart看到示例跑通基本流程就成了。接真实模型时只需把 LLM 换成 OpenAI、Claude 或 Ollama后面代码不变。第二步训练模型认识你的表上一步跑通后接着喂数据库名片三样料按顺序表结构、业务名词、历史问答。# 表结构AI的数据库地图 vn.train(ddlCREATE TABLE employees (id INT, name VARCHAR(100), salary FLOAT)) # 业务名词AI的术语表 vn.train(documentation资深员工入职超过3年的员工) /参数手上已有写得顺手的 SQL 就一并vn.train(sql...)存进去例子质量越好输出越稳。第三步自然语言提问拿回 SQL最后直接问。sql vn.ask(哪个部门的平均薪资最高) # Vanna 先从向量库检索相关 DDL 和示例再交给 LLM 生成拿回来的 SQL 可直接在库上执行。2.0 版本还把它封装成 Agent注册 RunSqlTool 这类工具后端把表格、图表流式推给vanna-chat网页组件直接嵌进任意页面。完整流程可看 quickstart 示例 notebook。 前后对比准确率差在怎么喂数据上下文策略SQL 生成准确率只喂 schemaDDL约 3%加静态示例 SQL约 56%检索上下文相关示例RAG约 80%马上能做的两件事DDL 和真实库保持同步schema 一变就重新 train从生产里挑 5~10 个高频查询补问答对准确率提升主要靠它。 踩坑实录这三个坑我替你踩了DDL 和数据库脱节。模型照着幽灵字段写 SQL一执行就报错。解法重新导出当前 DDL再 train 一遍。只喂 schema 不喂业务名词。高绩效核心客户全靠模型猜结果跑偏。解法补一条vn.train(documentation...)把定义钉死。被 2.0 和 0.x 的 API 搞晕。2.0 是 Agent 工具的写法自带网页组件老的 VannaBase API 用 LegacyVannaAdapter 包一下旧实例就能直接用上新界面细节看 迁移指南。一句话总结Vanna 的核心价值是把写 SQL变成喂上下文上下文越准AI 越能干。打开 examples 目录现在就可以跑起来。【免费下载链接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .项目地址: https://gitcode.com/GitHub_Trending/va/vanna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考