“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？
最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？
与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！
学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】
【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！
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"\nTable 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。
最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？
与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！
学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】
【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！
