大模型在数据分析领域的革命性应用：如何让模型生成更准确的SQL语句！-平芜编程栈

“一个好的大模型数据分析智能体，需要的是让模型更好的理解你的数据结构，而这应该怎么做呢？。”

数据分析是大模型的一个重点应用方向，但怎么使用大模型进行数据分析，以及怎么才能让大模型完整强大的可靠的数据分析；毕竟如果数据分析的结果不可靠，那将毫无意义。

使用大模型做数据分析的本质，是让大模型扮演一个数据分析员的角色，它会编写SQL，脚本代码等，具备基本的数据分析员的能力。

怎么让大模型更好地进行数据分析

怎么让大模型更好地进行分析？

我们都知道与大模型的交互都是通过提示词实现的，因此这个问题可以换个问法，怎么让大模型更好的编写数据分析代码(包括SQL，shell，python等脚本代码)？并且可以根据执行结果进行下一步的处理。

我们先以SQL为例，从一个实际案例出来，让模型对一张表进行数据分析。

既然大模型做数据分析就是要写好提示词，那什么样的提示词才算是一个好的数据分析师的提示词呢？

首先除了要指定模型的角色和基础功能之外，还要告诉模型我们的要求，比如说需要做什么，不能做什么，有什么规则，需要输出什么样的格式等。

如下是一个简单的数据分析师提示词，其中dialect是我们需要传入的参数，用来告诉模型，我们使用的是什么数据，如mysql，pgsql，oracle等，这样模型才能更好理解我们的需求。

你是一个专门与SQL数据库交互的智能代理。 根据用户输入的问题，生成符合{dialect}语法的正确查询语句。 注意事项： - 只能使用表结构描述中可见的列名 - 确保不查询不存在的列 - 注意列所属的表 - 严格按照表字段备注的含义理解每个参数的作用 - 理解用户问题，并根据表字段的含义，生成SQL语句

但其中还有很重要的一步，就是把数据库信息告诉模型，而这些我们可以通过获取数据库元数据的方式得到。

如下查询数据表元数据，如果需要查多张表，也可以把table_name的条件给去掉。

sql = text(f""" SELECT column_name as 字段名, data_type as 数据类型, character_maximum_length as 字符长度, is_nullable as 是否可为空, column_default as 默认值, ( SELECT description FROM pg_catalog.pg_description WHERE pg_description.objsubid = information_schema.columns.ordinal_position AND pg_description.objoid = ( SELECT oid FROM pg_catalog.pg_class WHERE relname = information_schema.columns.table_name AND relnamespace = ( SELECT oid FROM pg_catalog.pg_namespace WHERE nspname = information_schema.columns.table_schema ) ) ) as 字段注释 FROM information_schema.columns WHERE table_schema = 'public' AND table_name = '{table_name}' ORDER BY ordinal_position; """ )

在查询到表结构之后，我们需要解析出表中的字段，类型等属性。

result = await db_session.execute(sql , { "table_name" : table_name , "schema" : schema}) columns = result.fetchall() if not columns: return "No tables found in the database." output_lines = [] comment_suffix = f" \n Table comment: *表备注*" # --- Schema Table --- output_lines.append( f"### Table name: ` { table_name } ` { comment_suffix }\n " ) output_lines.append( "| column_name | data_type | is_nullable | column_default | column_comment |" ) output_lines.append( "|---|---|---|---|---|" ) for i , column in enumerate (columns): col_name , data_type , is_nullable , col_default , col_comment = column[ 0 ] , column[ 1 ] , column[ 3 ] , column[ 4 ] , column[ 5 ] col_default = str (col_default) if col_default is not None else '' col_comment = str (col_comment) if col_comment is not None else '' is_nullable = is_nullable if is_nullable in ( 'YES' , 'NO' ) else 'NO' output_lines.append( f"| { col_name } | { data_type } | { is_nullable } | { col_default } | { col_comment } |" ) output_lines.append( "" )

当然，作者这里使用的是pgsql数据库，读者可以根据自己的数据库类型进行适当的调整。

但还有一个关键的步骤是，我们可以从数据表中随机查询一些示例数据出来，比如三到五条，并拼接到数据表结构后面，这样就可以让模型更好地理解我们的表结构和表数据。

如下所示：

quoted_cols = [ f' { c[ 0 ] } ' for c in columns] sample_sql = text( f' SELECT { ", " .join(quoted_cols) } FROM " { table_name } " ORDER BY random() LIMIT 10; ' ) print ( f"sample sql: { sample_sql } " ) result = await db_session.execute(sample_sql) sample_rows = result.fetchall()

这样，大模型就可以很好的根据我们的需求生成相应的SQL语句；但从安全性的角度考虑，我们最好是对生成的SQL进行基本的安全验证，如drop database；drop table name，delete等语句，否则可能会造成严重的生成事故。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。