Day 11 · 自然语言查数据库（NL2SQL）

「AI Python 系列」第 01 栏 · AI 时代的 Python 办公自动化

全栏 18 篇 · 零成本跟完 🍃

品牌：梅雅达编程笔记

摘要： 不会写SQL也能查数据库。本篇用AI把自然语言转成SQL语句，执行查询后再用AI解读结果。内置示例数据库（员工/产品/销售三张表），运行即生成。三个实战覆盖基础查询、聚合统计、多表关联加AI解读。传统做法手写SQL查完还得自己分析，AI做法提问即得答案。

开篇 · 数据查询的真实痛点

你有没有遇到过这些场景：

核心矛盾： 数据在数据库里，但用数据的人不会写 SQL。

今天用 AI 解决这个矛盾——你说人话，AI 帮你翻译成 SQL，查完还帮你解释。

一、传统做法 vs AI 时代做法

传统做法：手写 SQL

import sqlite3

conn = sqlite3.connect("company.db")
c = conn.cursor()

# 手写 SQL 查询
c.execute("""
SELECT p.name, p.category, SUM(s.quantity) as total_qty, SUM(s.amount) as total_amount
FROM sales s
JOIN products p ON s.product_id = p.id
GROUP BY p.category
ORDER BY total_amount DESC
""")

results = c.fetchall()
print(results)
# 然后你自己看数字，自己分析…

conn.close()

能力边界：

• ✅ 能查任何数据
• ❌ 需要记 SQL 语法
• ❌ 需要了解表结构
• ❌ 查出来是一堆数字，还要自己解读

AI 时代做法：自然语言 → SQL → 解读

# 你只管说人话
answer = ask("哪个产品类别销售额最高？")

# AI 自动完成：
# 1. 理解问题 → 生成 SQL
# 2. 执行 SQL → 获取结果
# 3. 解读结果 → 给你中文结论

组合优势：

• AI 负责翻译：自然语言 → SQL，结果 → 中文解读

  sqlite3 负责执行：跑查询、拿数据

• 你只需要提问

二、数据库结构

本篇用 Python 内置的 sqlite3 自动创建示例数据库，运行代码即生成，不用提前准备：

company.db
├── employees（员工表）
│ ├── id, name, department, position, salary, hire_date
│ └── 10 条数据（销售部/技术部/人事部/市场部）
│
├── products（产品表）
│ ├── id, name, category, price, stock
│ └── 8 条数据（教育/软件/工具三个类别）
│
└── sales（销售记录表）
├── id, product_id, employee_id, quantity, sale_date, amount
└── 15 条数据（2024年1月-7月）

三张表通过 product_id 和 employee_id 关联，可以做多表 JOIN 查询。

三、完整代码

"""
nl2sql.py – 自然语言查数据库（NL2SQL）
用 AI 把自然语言转成 SQL，执行查询，再用 AI 解释结果

⚠️ 安全限制：只允许 SELECT 查询，禁止增删改操作
"""

import os
import sys
import json
import sqlite3

# 添加上级目录到路径，引用 llm_client.py
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
from llm_client import LLMClient

def create_database(db_path="company.db"):
"""创建示例数据库：员工表、产品表、销售记录表"""
conn = sqlite3.connect(db_path)
c = conn.cursor()

# ———- 员工表 ———-
c.execute("DROP TABLE IF EXISTS employees")
c.execute("""
CREATE TABLE employees (
id INTEGER PRIMARY KEY,
name TEXT NOT NULL,
department TEXT,
position TEXT,
salary REAL,
hire_date TEXT
)
""")
employees = [
(1, "张伟", "销售部", "销售经理", 15000, "2020-03-15"),
(2, "李娜", "技术部", "后端工程师", 18000, "2019-07-01"),
(3, "王芳", "销售部", "销售专员", 9000, "2022-06-10"),
(4, "刘强", "技术部", "前端工程师", 16000, "2021-03-20"),
(5, "陈静", "人事部", "HR经理", 14000, "2020-11-05"),
(6, "赵磊", "销售部", "销售专员", 9500, "2023-02-14"),
(7, "孙丽", "市场部", "市场专员", 10000, "2022-09-01"),
(8, "周明", "技术部", "技术总监", 28000, "2018-01-15"),
(9, "吴秀", "人事部", "HR专员", 7500, "2023-05-20"),
(10, "郑凯", "市场部", "市场经理", 16000, "2020-07-10"),
]
c.executemany("INSERT INTO employees VALUES (?,?,?,?,?,?)", employees)

# ———- 产品表 ———-
c.execute("DROP TABLE IF EXISTS products")
c.execute("""
CREATE TABLE products (
id INTEGER PRIMARY KEY,
name TEXT NOT NULL,
category TEXT,
price REAL,
stock INTEGER
)
""")
products = [
(1, "梅雅达编程教程（基础版）", "教育", 99, 500),
(2, "梅雅达编程教程（进阶版）", "教育", 199, 300),
(3, "智能客服系统", "软件", 9999, 50),
(4, "数据可视化大屏", "软件", 15000, 20),
(5, "Python爬虫工具包", "工具", 299, 200),
(6, "自动化办公脚本库", "工具", 499, 150),
(7, "AI提示词工程手册", "教育", 59, 800),
(8, "企业级API网关", "软件", 25000, 10),
]
c.executemany("INSERT INTO products VALUES (?,?,?,?,?)", products)

# ———- 销售记录表 ———-
c.execute("DROP TABLE IF EXISTS sales")
c.execute("""
CREATE TABLE sales (
id INTEGER PRIMARY KEY,
product_id INTEGER,
employee_id INTEGER,
quantity INTEGER,
sale_date TEXT,
amount REAL,
FOREIGN KEY (product_id) REFERENCES products(id),
FOREIGN KEY (employee_id) REFERENCES employees(id)
)
""")
sales = [
(1, 1, 1, 50, "2024-01-15", 4950),
(2, 3, 3, 2, "2024-01-20", 19998),
(3, 7, 6, 100, "2024-02-03", 5900),
(4, 2, 1, 30, "2024-02-14", 5970),
(5, 5, 3, 20, "2024-03-01", 5980),
(6, 1, 6, 80, "2024-03-10", 7920),
(7, 4, 10, 1, "2024-03-22", 15000),
(8, 8, 1, 1, "2024-04-05", 25000),
(9, 6, 6, 15, "2024-04-18", 7485),
(10, 3, 3, 3, "2024-05-02", 29997),
(11, 7, 6, 150, "2024-05-20", 8850),
(12, 2, 1, 40, "2024-06-01", 7960),
(13, 5, 3, 25, "2024-06-15", 7475),
(14, 8, 10, 2, "2024-07-03", 50000),
(15, 1, 6, 60, "2024-07-10", 5940),
]
c.executemany("INSERT INTO sales VALUES (?,?,?,?,?,?)", sales)

conn.commit()
conn.close()
print(f" ✅ 数据库已创建：{db_path}")
print(f" 3张表 · 员工10人 · 产品8个 · 销售记录15条")

def get_schema(db_path="company.db"):
"""获取数据库结构信息，用于 AI 理解表结构"""
conn = sqlite3.connect(db_path)
c = conn.cursor()

c.execute("SELECT name FROM sqlite_master WHERE type='table'")
tables = [row[0] for row in c.fetchall()]

schema_parts = []
for table in tables:
c.execute(f"PRAGMA table_info({table})")
columns = c.fetchall()
col_info = ", ".join([f"{col[1]} {col[2]}" for col in columns])

# 获取前3行示例数据
c.execute(f"SELECT * FROM {table} LIMIT 3")
sample_rows = c.fetchall()
sample_str = "\\n".join([str(row) for row in sample_rows])

schema_parts.append(
f"表名: {table}\\n字段: {col_info}\\n示例数据:\\n{sample_str}"
)

conn.close()
return "\\n\\n".join(schema_parts)

def nl2sql(question, schema):
"""AI 将自然语言转成 SQL"""
client = LLMClient(provider="glm")

system_prompt = """你是一个 SQL 专家。根据用户的自然语言问题和数据库结构，生成对应的 SQL 查询语句。

规则：
1. 只输出 SQL 语句，不要解释，不要 markdown 标记
2. 使用标准 SQLite 语法
3. 只允许 SELECT 查询，禁止 INSERT/UPDATE/DELETE/DROP
4. 如果问题不明确，做合理假设并生成最接近的查询
5. 表名和字段名用原始名称，不要加引号"""

prompt = f"""数据库结构：
{schema}

用户问题：{question}

请生成 SQL 查询语句（只输出 SQL，不要其他内容）："""

sql = client.chat(
prompt, system_prompt=system_prompt,
temperature=0.1, max_tokens=500
)

# 清理 AI 可能添加的 markdown 标记
sql = sql.strip()
if sql.startswith("```"):
sql = sql.split("\\n", 1)[1] if "\\n" in sql else sql[3:]
if sql.endswith("```"):
sql = sql[:–3]
sql = sql.strip()

return sql

def execute_sql(db_path, sql):
"""执行 SQL 并返回结果（安全限制：只允许 SELECT）"""
sql_upper = sql.upper().strip()
forbidden = ["INSERT", "UPDATE", "DELETE", "DROP", "ALTER",
"CREATE", "TRUNCATE"]
for kw in forbidden:
if kw in sql_upper:
raise ValueError(f"安全限制：禁止 {kw} 操作，只允许 SELECT 查询")

conn = sqlite3.connect(db_path)
c = conn.cursor()
c.execute(sql)
results = c.fetchall()
columns = [desc[0] for desc in c.description] if c.description else []
conn.close()

return columns, results

def explain_results(question, sql, columns, results):
"""AI 解释查询结果"""
client = LLMClient(provider="glm")

# 限制结果长度，避免 token 过多
display_results = results[:50]
results_str = "\\n".join([str(row) for row in display_results])

prompt = f"""用户问题：{question}

执行的 SQL：{sql}

查询结果（共{len(results)}行，显示前{len(display_results)}行）：
列名：{columns}
{results_str}

请用简洁的中文回答用户的问题，基于查询结果给出明确结论。
如果有数字，用表格或列表清晰呈现。不要重复原始数据，要给出分析和结论。"""

return client.chat(prompt, temperature=0.3, max_tokens=800)

def ask(question, db_path="company.db"):
"""完整流程：自然语言 → SQL → 执行 → 解释"""
print(f"\\n ❓ 问题：{question}")

# 1. 获取数据库结构
schema = get_schema(db_path)

# 2. AI 生成 SQL
sql = nl2sql(question, schema)
print(f" 📝 SQL：{sql}")

# 3. 执行 SQL
columns, results = execute_sql(db_path, sql)
print(f" 📊 结果：{len(results)} 行")
for row in results[:5]:
print(f" {row}")
if len(results) > 5:
print(f" …（共 {len(results)} 行）")

# 4. AI 解释
explanation = explain_results(question, sql, columns, results)
print(f"\\n 💡 AI 解答：")
for line in explanation.split("\\n"):
print(f" {line}")

return explanation

def main():
print("=" * 60)
print(" 自然语言查数据库（NL2SQL）")
print("=" * 60)

# 1. 创建数据库
base_dir = os.path.dirname(os.path.abspath(__file__))
db_path = os.path.join(base_dir, "company.db")
create_database(db_path)

# 实战1：基础查询
print("\\n" + "=" * 60)
print(" 实战1：基础查询")
print("=" * 60)
ask("销售额最高的5笔交易是哪些？", db_path)

# 实战2：聚合统计
print("\\n" + "=" * 60)
print(" 实战2：聚合统计")
print("=" * 60)
ask("每个部门的平均工资是多少？按平均工资从高到低排列", db_path)

# 实战3：多表关联 + AI 解读
print("\\n" + "=" * 60)
print(" 实战3：多表关联 + AI 解读")
print("=" * 60)
ask("哪个产品类别销售额最高？列出该类别下所有产品的销量和金额", db_path)

print("\\n" + "=" * 60)
print(" 全部完成！")
print("=" * 60)
print(f"\\n 💾 数据库文件：{db_path}")
print(f" 💡 可用 'sqlite3 {db_path}' 打开查看")

if __name__ == "__main__":
main()

运行方式

# 安装依赖（sqlite3 是内置库，只需 openai 和 dotenv）
cd day11_code
pip install -r requirements.txt

# 运行
python nl2sql.py

预期输出（截选）

============================================================
自然语言查数据库（NL2SQL）
============================================================
✅ 数据库已创建：company.db
3张表 · 员工10人 · 产品8个 · 销售记录15条

============================================================
实战1：基础查询
============================================================
❓ 问题：销售额最高的5笔交易是哪些？
📝 SQL：SELECT s.id, p.name, s.quantity, s.sale_date, s.amount
FROM sales s JOIN products p ON s.product_id = p.id
ORDER BY s.amount DESC LIMIT 5
📊 结果：5 行
(14, '企业级API网关', 2, '2024-07-03', 50000.0)
(10, '智能客服系统', 3, '2024-05-02', 29997.0)
…

💡 AI 解答：
销售额最高的5笔交易如下：
1. 企业级API网关 – 2套 – ¥50,000（2024-07-03）
2. 智能客服系统 – 3套 – ¥29,997（2024-05-02）
…
单笔最高的是API网关，软件类产品客单价最高。

============================================================
实战3：多表关联 + AI 解读
============================================================
❓ 问题：哪个产品类别销售额最高？列出该类别下所有产品的销量和金额
📝 SQL：SELECT p.category, p.name, SUM(s.quantity) as total_qty,
SUM(s.amount) as total_amount
FROM sales s JOIN products p ON s.product_id = p.id
GROUP BY p.category, p.name ORDER BY total_amount DESC
📊 结果：7 行
…

💡 AI 解答：
销售额最高的类别是软件类，总销售额 ¥104,995。
其中API网关贡献最大（¥75,000），其次是智能客服系统（¥49,995）…

四、代码拆解：四步流水线

整个 ask() 函数是一条四步流水线：

关键设计：安全第一

def execute_sql(db_path, sql):
"""安全限制：只允许 SELECT"""
forbidden = ["INSERT", "UPDATE", "DELETE", "DROP", "ALTER",
"CREATE", "TRUNCATE"]
for kw in forbidden:
if kw in sql.upper():
raise ValueError(f"安全限制：禁止 {kw} 操作")

AI 生成的 SQL 在执行前会做关键词检查，任何增删改操作都会被拦截。这是防止 AI 误操作的底线。

关键设计：给 AI 看表结构

def get_schema(db_path):
# 返回格式：
# 表名: employees
# 字段: id INTEGER, name TEXT, department TEXT, …
# 示例数据: (1, '张伟', '销售部', '销售经理', 15000.0, '2020-03-15')

AI 生成 SQL 需要知道表名、字段名和数据类型。我们用 PRAGMA table_info 自动获取，再加 3 行示例数据帮 AI 理解数据含义。

📊 本篇成本透明栏

练手改造题

改造 1（基础）： 给 ask() 函数加一个"追问"功能——在同一轮对话中，用户可以继续问"那第二高的呢？"，AI 能理解上下文。

提示：可以用一个列表保存历史问题和 SQL，在 prompt 中带上上一轮的 SQL 帮助 AI 理解"第二高"指什么。

改造 2（进阶）： 改造 get_schema() 支持 MySQL——用 pymysql 连接 MySQL 数据库，获取表结构的方式改为 SHOW COLUMNS FROM table_name。

提示：安装 pymysql>=1.1.0，connect = pymysql.connect(host, user, password, database)，其余流程不变。

改造 3（挑战）： 加一个"SQL 审计日志"功能——把每次生成的 SQL、执行结果、AI 解释保存到日志文件 nl2sql_log.md，按时间排列，方便回溯。

提示：在 ask() 函数末尾追加写入 Markdown 文件，格式为 ## 时间 – 问题 → SQL → 结论。

下期预告

Day 12 · 可视化 + AI：让 AI 帮你选图表

数据查出来了，怎么画图？柱状图还是折线图？本篇让 AI 根据数据特征自动推荐图表类型，再用 matplotlib 一键生成。三种数据场景实战：销量对比、趋势变化、占比构成。

📚 资源与工具（文末合规集中）

• Python sqlite3 文档： https://docs.python.org/3/library/sqlite3.html
• SQLite 语法教程： https://www.sqlite.org/lang.html
• 智谱开放平台（GLM，免费 API Key）： https://open.bigmodel.cn/
• GLM 模型文档： https://docs.bigmodel.cn/
• 本专栏配套代码： CSDN 下载区（每篇更新）

🍃 作者的话

梅雅达编程笔记，专注 Python + AI 办公自动化实战教程。

NL2SQL 不是要替代数据库管理员，而是让不会写 SQL 的人也能快速查数据。AI 帮你翻译、帮你解读，你只需要知道"我想看什么"——剩下的交给代码。

往期回顾

Day 01 · 为什么 2026 年办公自动化得“AI 化“了

Day 02 · 环境搭建：一套装备打天下

Day 03 · Prompt 工程 5 大心法

Day 04 · LLM API 横评 已被AI编程社区收录

Day 05 · 让 AI 输出结构化数据：告别“偶尔给你一段散文“

Day 06 · Excel + AI：让电子表格变“聪明“

Day 07 · Word + AI：自动生成文档

Day 08 · PDF 智能提取：让 AI 读懂合同、发票、简历

Day 09 · PPT 自动生成：文字大纲变演示文稿

Day 10 · 邮件 + AI：智能分类与自动回复

专栏推荐

• 「AI Python 系列」第 01 栏 · AI+办公自动化（连载中）
• 「AI Python 系列」第 02 栏 · AI+数据可视化（连载中）
• 「AI Python 系列」第 03 栏 · Python 爬虫实战（连载中）

资源领取

• 关注作者获取本栏完整代码和数据集

原创声明：本文为梅雅达编程笔记原创作品，未经允许不得转载。