SQLBot: o bot inteligente que converte linguagem natural em consultas SQL

O SQLBot é um sistema inteligente de consulta de dados que combina as tecnologias Large Language Modelling (LLM) e Retrieval Augmentation Generation (RAG). Como um módulo funcional da ferramenta de BI (Business Intelligence) de código aberto DataEase, ele resolve principalmente o problema de pessoas comuns de negócios que não estão familiarizadas com a linguagem SQL e acham difícil obter dados diretamente do banco de dados. Os usuários podem fazer perguntas por meio da fala cotidiana, o SQLBot pode entender a intenção da pergunta e gerar automaticamente um código de consulta SQL preciso e, por fim, retornar os resultados da consulta ou gráficos visuais. A ferramenta é compatível com o uso imediato e pode ser iniciada com uma configuração simples do grande modelo e da fonte de dados. Ela também é fácil de integrar e pode ser incorporada a uma variedade de sistemas de negócios de terceiros, capacitando esses aplicativos com análise de dados de conversação. Além disso, o SQLBot oferece segregação de recursos com base no espaço de trabalho e controle de direitos de dados com granularidade fina para garantir a segurança do processo de consulta de dados.

Lista de funções

• Linguagem natural para SQLFuncionalidade principal que converte automaticamente uma pergunta de linguagem natural do usuário (Texto) em uma linguagem de consulta estruturada (SQL).
• Aprimoramento do RAGIntegração de técnicas de Geração Aumentada de Recuperação (RAG) para melhorar a precisão da geração de SQL para modelos grandes em ambientes de dados específicos.
• Suporte à fonte de dadosPode se conectar e consultar uma variedade de bancos de dados convencionais, como o MySQL.
• gerenciamento de modelosSuporte ao acesso e ao gerenciamento de vários modelos de idiomas em grande escala, que podem ser configurados e alternados pelo usuário de acordo com os requisitos.
• controle de privilégiosIsolamento de recursos em nível de espaço de trabalho e gerenciamento de direitos de dados com granularidade fina para proteger a segurança dos dados.
• Fácil de integrarSuporte à rápida incorporação em sistemas de negócios de terceiros como plug-ins ou módulos, bem como à integração com n8n, Dify, Coze e outras plataformas de desenvolvimento de aplicativos de IA.
• pronto para usoFornece scripts de instalação com um clique e métodos de implantação do Docker para simplificar o processo de implantação e configuração.

Usando a Ajuda

O processo de instalação e uso do SQLBot é muito simples e está dividido em quatro etapas principais: preparação do ambiente, inicialização do serviço, configuração inicial e introdução.

1. preparação e instalação do ambiente

Antes de instalar o SQLBot, seu servidor precisa ter o pacoteDockerresponder cantandoDocker Compose. Essas duas ferramentas são a base da implementação em contêineres.

Quando os preparativos estiverem concluídos, você poderá seguir os seguintes comandos para realizar uma instalação com um clique:

1. Crie um diretório de instalação e vá para
   Escolha um local adequado em seu servidor Linux, por exemplo/opt/sqlbote criar o diretório.

   mkdir -p /opt/sqlbot
   cd /opt/sqlbot
   

2. Download do arquivo de configuração
   fazer uso decurlComando para fazer download do repositório oficial do GitHubdocker-compose.yamlarquivo. Esse arquivo define o serviço SQLBot e seus ambientes dependentes.

   curl -o docker-compose.yaml https://raw.githubusercontent.com/dataease/SQLBot/main/docker-compose.yaml
   

3. Início dos serviços
   Execute o seguinte comando e o Docker Compose extrairá automaticamente a imagem e iniciará o serviço SQLBot com base no arquivo de configuração.-dindica a execução em segundo plano.

   docker compose up -d
   

   Você também pode passar o1PanelApp Store para implementação visual com um clique.

2. visitas e logins

Depois que o serviço for iniciado, acesse em seu navegador o endereço IP do servidor de implantação e o endereço8000Portos:http://<你的服务器IP>:8000/.

As informações padrão da conta do administrador do sistema são as seguintes:

• ID do usuário: admin
• criptográfico: SQLBot@123456

Recomenda-se alterar a senha padrão após o primeiro login.

3. configuração do núcleo

Depois de fazer login com sucesso, duas configurações principais são necessárias para começar a usar o recurso Smart Ask Count:Configuração do Big Modelresponder cantandoAdição de uma fonte de dados.

1. Configuração do Big Model
   • Após entrar no sistema, localize o menu relacionado a "Model Management" (Gerenciamento de modelos).
   • Clique em "New" (Novo) ou "Add Model" (Adicionar modelo) e selecione o modelo que deseja usar (por exemplo, GPT, Wenshin Yiyin, Tongyi Qianqian ou modelos implantados localmente, etc.).
   • Siga as solicitações da interface para preencher a chave de API do modelo, o URL básico e outras informações de autenticação.
   • Depois de salvo, o modelo é adicionado ao sistema. Você pode adicionar vários modelos e definir um deles para ser usado como o modelo padrão para consultas.
2. Adição de uma fonte de dados
   • Vá para o menu "Data Sources" (Fontes de dados) e clique em "New Data Source" (Nova fonte de dados).
   • Selecione o tipo de fonte de dados na lista de tipos de bancos de dados compatíveis, por exemplo, "MySQL".
   • Preencha as informações de conexão para essa fonte de dados, incluindo:
     • nome (de uma coisa)Dê a essa fonte de dados um nome facilmente reconhecível, como "Production Environment Sales Database" (Banco de dados de vendas do ambiente de produção).
     • Nome do host/endereço IPEndereço do servidor de banco de dados: O endereço do servidor de banco de dados.
     • portosPorta de serviço do banco de dados.
     • nome do banco de dadosNome do banco de dados específico ao qual você precisa se conectar.
     • Nome de usuário/senhaConta e senha para autenticação do banco de dados.
   • Depois de preencher o formulário, você pode clicar no botão "Test" para testar se a conexão foi bem-sucedida. Depois de passar no teste, clique em "Save" (Salvar).

4. iniciar a contagem inteligente

Após concluir a configuração acima, você pode começar a usá-lo.

• Vá para a tela de perguntas e respostas (geralmente chamada de "diálogo" ou "Q&A").
• Na caixa de entrada, descreva os dados que você deseja consultar em linguagem natural. Por exemplo, você poderia digitar: "Ajude-me a descobrir quais foram os cinco produtos mais vendidos no mês passado".
• O SQLBot envia seu problema para um modelo grande configurado para processamento, gera instruções SQL e executa a consulta automaticamente.
• Os resultados das consultas são exibidos diretamente na interface na forma de tabelas, cartões ou gráficos, permitindo o acesso rápido aos insights dos dados.

cenário do aplicativo

1. Análise de dados de autoatendimento para pessoas de negócios
   Para os funcionários de marketing, operações, vendas, etc., que normalmente não têm a capacidade de escrever SQL, o SQLBot permite que eles façam perguntas diretamente ao banco de dados por meio de linguagem natural, como "Consultar a tendência de crescimento de novos usuários nos últimos 30 dias" ou "Estatísticas sobre a porcentagem de vendas de vários tipos de commodities no leste da China", melhorando muito a eficiência da tomada de decisões orientada por dados. O SQLBot permite que os usuários façam perguntas diretamente ao banco de dados por meio de linguagem natural, como "consultar a tendência de crescimento de novos usuários nos últimos 30 dias" ou "estatísticas sobre as vendas de vários produtos no leste da China", o que possibilita a consulta e a análise de dados por autoatendimento e aumenta consideravelmente a eficiência da tomada de decisões orientada por dados.
2. Exploração rápida de dados
   Os analistas de dados precisam escrever com frequência instruções de consulta com diferentes dimensões ao realizar a análise exploratória de dados (EDA). Com o SQLBot, os analistas podem validar rapidamente as hipóteses de dados por meio de diálogos como "Existe uma diferença no preço médio unitário entre usuários do sexo masculino e feminino?" e, assim, dedicar mais esforço aos insights de dados do que à codificação.
3. Análise incorporada
   É possível integrar os recursos de perguntas e respostas do SQLBot aos sistemas de negócios existentes de uma empresa (por exemplo, CRM, ERP). Ao usar esses sistemas, os usuários não precisam ir para uma plataforma de BI dedicada, eles podem consultar os dados relevantes diretamente pela janela de diálogo, obtendo uma integração perfeita dos recursos de análise de dados e dos processos de negócios.

QA

1. Que tipos de modelos grandes são compatíveis com o SQLBot?
   O SQLBot é aberto por design e oferece suporte ao acesso aos principais modelos de linguagem de grande porte do mercado, incluindo a série GPT da OpenAI, o Wenxin Yiyin do Baidu, o Tongyi Qianqian da Ali e assim por diante. Além disso, ele também oferece suporte ao acesso a modelos de código aberto implantados localmente por meio de ferramentas como o Ollama.
2. Preciso instalar o DataEase primeiro para usar o SQLBot?
   O SQLBot pode ser considerado parte do ecossistema DataEase e é melhor experimentado quando usado em conjunto com ele. Mas ele também é um sistema próprio que pode ser implantado e integrado de forma independente, e você pode integrá-lo a outras plataformas de negócios.
3. Como ele garante a precisão do SQL gerado?
   O SQLBot utiliza a tecnologia RAG (Retrieval Augmented Generation). Antes de enviar um problema do usuário para o modelo grande, o sistema recupera as informações mais relevantes sobre o problema a partir dos metadados do banco de dados (por exemplo, estrutura da tabela, nomes de campos, comentários etc.) e fornece essas informações ao modelo grande junto com ele como um contexto. Isso melhora muito a capacidade do modelo de entender a estrutura de dados e, assim, gerar SQL mais preciso.
4. Como a segurança dos dados é garantida?
   O SQLBot oferece um mecanismo de isolamento de recursos em nível de espaço de trabalho, em que as fontes de dados e o histórico de perguntas e respostas em diferentes espaços são isolados uns dos outros. Ao mesmo tempo, os administradores podem executar um controle de permissão de dados refinado para garantir que os usuários só possam consultar dados dentro de suas permissões para evitar o vazamento de dados.