首页
手游
资讯
专题
首页 > 教程攻略 > ai资讯 >Text-to-SQL总失败？我搞了个能自动学习的AI，效果惊了！

Text-to-SQL总失败？我搞了个能自动学习的AI，效果惊了！

来源：互联网 时间：2026-07-07 14:30:35

Text-to-SQL 总是失败？这个能自动学习的 AI 智能体，通过动态上下文和持续学习机制，彻底改变了传统模式！

核心内容：

  • Text-to-SQL 智能体失败的根本原因分析
  • 动态上下文与持续学习的创新解决方案
  • 智能体自我提升的反馈循环机制

Text-to-SQL总失败？我搞了个能自动学习的AI，效果惊了！

前言

本文将展示如何构建一个自我提升的 Text-to-SQL 智能体，它利用动态上下文和“穷人的持续学习”来回答问题。整个方案将问题拆分为两部分：

  • Text-to-SQL 智能体（在线路径）

    ：通过从知识库中检索架构和查询模式（动态上下文）来回答问题。

  • 持续学习（离线路径）

    ：从成功的运行中学习，并将新条目添加到知识库中。

当智能体找到一个成功的结果时，它会将其存储在知识库中，供以后使用。这为 Text-to-SQL 智能体提供了一个自我提升的反馈循环，同时保持在线路径的稳定性。

1. Text-to-SQL 在实践中失败的原因

大多数 Text-to-SQL 智能体在实践中失败，是因为它们每次从头开始描述表、列、查找连接键，每次都会重复同样的错误。

相比之下，高级分析师或数据工程师不会每次都从头开始。他们会利用部落知识和经验，挖掘过去的查询以找到正确的查询。一旦找到有用的查询，就会将其保存在知识库中，供以后参考。Text-to-SQL 智能体也需要这样。

从实践来看，大多数 Text-to-SQL 的失败并非“模型很蠢”，而是“模型缺少上下文和部落知识”的问题。常见的错误包括：

  • 模型每次从头开始描述表、列、查找连接键，每次重复同样的错误。
  • 模型猜测列名、使用模式，或者不知道正确的连接键。
  • 模型缺少领域定义（活跃用户、流失率、ARR 等），或者不知道正确的业务规则（例如：“状态在 orders.state 中，而不是 orders.status 中”）。
  • 模型缺少常见的陷阱（日期格式错误、空值位置错误等）。
  • 模型重新发明了已经存在于组织知识库中的查询。

可以给 Text-to-SQL 智能体带来的最大改进，是赋予它与人类工程师相同的部落知识。

这使它们能够重用已知有效的查询，并在运行时让模型搜索已建立的使用模式。称之为 RAG、智能体 RAG 或动态上下文，本质上都是一样的：模型在运行时可以访问正确的上下文，以生成正确的 SQL。

目标很明确：

  1. 给智能体提供在运行时检索正确上下文的工具（架构、连接、过去的查询、指标定义、陷阱）。
  2. 生成基于已建立使用模式的 SQL（不猜测，不重新发明轮子）。
  3. 验证 SQL（查询可解析、架构检查等）。
  4. 运行 SQL 并“分析”结果，不只是给出数据，而是提供洞察。
  5. 捕获学习内容，以便下次运行更好（新的连接路径、修正的列映射、查询模板、指标定义）。
  6. 重复以上步骤。

2. 什么是“动态上下文”

动态上下文就是：

智能体在查询时检索相关的知识，这使它能够基于已建立的使用模式生成 SQL

。上下文是动态的，会随查询、数据和用户的意图而变化。

智能体可以检索的内容包括：

  • 表架构和关系。
  • 常见的连接键和关系。
  • 常见用例的已知查询。
  • 指标定义和业务规则。
  • 已知的陷阱（“状态在 orders.state 中，而不是 orders.status 中”）。

如果知识库中有“每周活跃用户”的查询，智能体就应该检索它，而不是重新发明。

3. 什么是“穷人的持续学习”（以及为什么它有效）

“穷人的持续学习”意味着：

  • 不

    更新模型权重。

  • 更新检索知识

    ，当找到一个成功的结果时。
  • 系统通过将经验作为可重用的工件捕获来改进。

每个好的查询都成为未来的上下文。每个错误都成为一条规则。每次澄清都成为共享知识。

穷人的持续学习之所以有效，是因为它提供了一个务实的学习循环：稳定的在线行为，受控的改进。最大的好处是，可以手动探索知识库并修复问题或错误——想象一下手动更新模型权重。

4. 统一智能体架构

系统分为两部分：

  1. Text-to-SQL 智能体

    ：通过从知识库中检索架构和查询模式（动态上下文）来回答问题。

  2. 持续学习

    ：从成功的运行中学习，并将新条目添加到知识库中。

查询流程

  1. 用户提问

  2. 智能体从 KB（混合搜索）中

    检索上下文

    ，使用：
  • 问题文本。
  • 检测到的实体（表、列、指标）。
  • 可选的数据库内省结果。
  • 这些知识通过动态上下文

    增强输入

    ：
    • 检索到的知识片段。
    • 规则和约束（只读、限制等）。
  • 这些知识

    指导 SQL 的生成

    。
  • 智能体在安全环境中

    执行查询

    。
  • 智能体分析结果并

    返回答案

    。
  • 如果结果成功，智能体询问用户是否希望将查询保存到知识库中。
  • 如果用户同意，智能体将查询存储在知识库中。
  • 如果用户不同意，智能体重新审视查询，更新它并再次尝试。

对学习路径可以有两项改进：

  1. 在每次运行 Text-to-SQL 智能体后，单独运行持续学习。这样，持续学习始终与最新的查询和结果保持同步。
  2. 为持续学习添加回归工具。这样，可以在更新前后测试知识库，确保它仍然有效。

5. 知识库设计（保持结构化）

知识库需要存储三种信息：

  1. 表信息：包括表架构、列元数据、查询规则、常见陷阱（例如：日期列包含一条规则：“在按日期过滤时使用 TO_DATE 函数”）。
  2. 示例查询：包括常见的查询模式和最佳实践，以及如何检索常见的指标和 KPI，无需重新发明轮子。
  3. 业务语义和关系：将组织谈论数据的方式映射到数据库的结构。

示例代码库包含以下文件（表信息和常见查询）：

agents/sql/knowledge/
├── constructors_championship.json
├── drivers_championship.json
├── fastest_laps.json
├── race_results.json
├── race_wins.json
└── common_queries.sql

6. 生产就绪的工具

系统提供了一个生产就绪的工具，使用以下技术构建：

  • 使用 FastAPI 应用程序运行智能体。
  • 使用 Postgres 数据库存储会话、记忆和知识。

这里是仓库（https://github.com/agno-agi/agentos-railway）的链接，包含生产代码库。

以下是仓库的结构：

.
├── agents
│   ├── __init__.py
│   ├── sql
│   │   ├── __init__.py
│   │   ├── knowledge
│   │   ├── load_f1_data.py
│   │   ├── load_sql_knowledge.py
│   │   ├── sql_agent.py
│   │   └── test_questions.txt
│   └── ... more agents
├── app
│   ├── __init__.py
│   └── main.py
├── compose.yaml
├── db
│   └── ... database configuration
├── Dockerfile
├── pyproject.toml
├── railway.json
├── README.md
├── requirements.txt
├── scripts
│   ├── dev_setup.sh
│   ├── entrypoint.sh
│   ├── railway_up.sh
│   ├── format.sh
│   └── validate.sh
├── teams
│   └── finance_team.py
└── workflows
    └── research_workflow.py

7. 运行自己的 Text-to-SQL 智能体的步骤

克隆仓库

git clone https://github.com/agno-agi/agentos-railway.git
cd agentos-railway

配置 API 密钥

使用 OpenAI 作为 Text-to-SQL 智能体（服务中也为其他智能体使用了 Anthropic 和 Parallel Search）。请导出以下环境变量：

# 必需
export OPENAI_API_KEY="YOUR_API_KEY_HERE"

# 可选
export ANTHROPIC_API_KEY="YOUR_API_KEY_HERE"
export PARALLEL_API_KEY="YOUR_API_KEY_HERE"

可复制 example.env 文件并将其重命名为 .env 以开始。

安装 Docker

将使用 Docker 在本地运行应用程序并将其部署到 Railway。如果需要，请安装 Docker Desktop（https://www.docker.com/products/docker-desktop）。

在本地运行应用程序

使用 docker compose 运行应用程序：

docker compose up --build -d

此命令构建 Docker 镜像并启动应用程序：

  • FastAPI 应用程序

    ，运行在 localhost:8000 上。

  • PostgreSQL 数据库

    ，用于存储智能体会话、知识和记忆，可通过 localhost:5432 访问。

启动后，可以在 localhost:8000/docs 查看 FastAPI 应用程序。

加载 SQL 智能体的数据

要加载 SQL 智能体的数据，请运行：

docker exec -it agentos-railway-agent-os-1 python -m agents.sql.load_f1_data

要填充知识库，请运行：

docker exec -it agentos-railway-agent-os-1 python -m agents.sql.load_sql_knowledge

将 AgentOS UI 连接到 FastAPI 应用程序

  • 打开 AgentOS UI（https://os.agno.com/）
  • 登录并添加 http://localhost:8000 作为一个新的 AgentOS，可命名为 Local AgentOS（或任意名称）。

演示

演示视频地址：https://www.ashpreetbedi.com/videos/sql-agent-demo.mp4

这是一个 Text-to-SQL 智能体的演示。注意如何将一个查询添加到知识库中，当再次提出相同的问题时，智能体使用它来生成 SQL。

停止应用程序

完成后，使用以下命令停止应用程序：

docker compose down

将应用程序部署到 Railway

要将应用程序部署到 Railway，请运行以下命令：

  1. 安装 Railway CLI：
brew install railway
  1. 登录到 Railway：
railway login
  1. 部署应用程序：
./scripts/railway_up.sh

此命令将：

  • 创建一个 Railway 项目。
  • 将 PgVector 数据库服务部署到 Railway 项目中。
  • 构建并部署 Docker 镜像到 Railway 项目。
  • 设置 AgentOS 服务中的环境变量。
  • 为 AgentOS 服务创建一个新的域名。

相关阅读

相关下载