3步用自然语言查数据库Vanna 文本转SQL实操指南【免费下载链接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .项目地址: https://gitcode.com/GitHub_Trending/va/vanna业务方要一份数据工程师排期写SQL来回沟通好几天还没出数。Vanna 把这条路缩短用 Python 连上数据库后问一句自然语言它就自动翻译成 SQL、执行并把结果表格和图表一起还给你。快速上手安装 Vanna 并问出第一个数据库问题整个流程就三步装包、连库、提问。安装在任何 Python 环境里执行pip install vanna连接数据库并问第一个问题把配置换成你自己的连接信息import vanna as vn vn vn.PostgreSQL(config{dbname: mydb, user: analyst}) sql, df vn.ask(显示销售额最高的10个客户)看结果ask一次返回三样东西——生成的 SQL、DataFrame 结果表、Plotly 可视化图。默认开启的 auto_train 还会把问对了的问答对存进知识库用得越多它对你业务里的表越熟。工作原理Vanna 如何把一句问话变成可执行的 SQL用大白话拆开链路是四步提问进来用户那句话被原样接收RAG 检索数据库上下文RAG检索增强生成本质是开卷考试——模型作答前Vanna 先从自己的知识库里查出跟这个问题最相关的表结构DDL、业务文档、历史正确 SQLLLM 按方言生成 SQL大模型拿着你的库 相关历史查询作为底稿写出对应数据库方言的 SQL执行并可视化连上数据库跑 SQL把结果包装成表格和图表返回。关键点在第二步决定准不准的不是模型本身而是检索到了多少相关上下文。官方论文的结论很直接——只喂表结构时准确率极低用相关性搜索把最接近的历史查询一起喂进去后准确率大幅拉升具体实验记录见 papers/ai-sql-accuracy-2023-08-17.md。支持的数据库15 种主流引擎分组速览Vanna 的数据库适配按用途可以分成四层对应实现都在 src/vanna/integrations/ 目录下日常业务关系库PostgreSQL、MySQL、Oracle、SQL Server——业务系统每天在用的那些库分析数仓与 OLAP 引擎Snowflake、BigQuery、PrestoDB、Hive、ClickHouse——跑报表和大批量聚合的地方轻量嵌入式SQLite、DuckDB——本地分析场景连服务器都不用向量检索库ChromaDB、Milvus、Weaviate、Qdrant、FAISS 等——负责存放和检索上面提到的那些上下文。准确率与效果91% 的 SQL 生成正确率是怎么来的官方实测 SQL 生成准确率约 91%但要看一个前提这个数字随模型和上下文策略有明显波动。团队的测试集跑了 180 次组合20 个问题 × 3 个 LLM × 3 种上下文策略只给表结构时准确率只有约 3%把最相关的 10 条历史查询检索进来后提升到约 80%在训练数据更丰富、问题更贴近业务的场景下才会继续上探到 91% 这个量级不同 LLM 之间的差距也不小。所以落地时的优先级很明确与其一开始就纠结换更贵的模型不如先把库里高频问题的正确 SQL 喂给它——这是提升幅度最大的杠杆。适合谁用谁会被 Vanna 帮到Vanna 最适合不懂 SQL 但有数据问题的人——运营、产品、业务分析师可以直接自助取数不用给数据团队提需求排期对数据工程师来说它更像一个现成的查询前端官方提供了 FastAPI / Flask 服务和预置的聊天 Web 组件能直接嵌进已有网站。如果你的团队有重复性很高的相似取数需求或者要给业务方开一个带权限体系的数据入口它值得排进试点。Vanna 的价值是把取个数从排期协作变成一行代码的事而且不强迫你换数据库也允许你自选 LLM。想验证它适不适合你的场景最轻的路径是拿一个本地 SQLite 文件连上跑一句vn.ask(...)等第一张图出来你就有答案了。【免费下载链接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .项目地址: https://gitcode.com/GitHub_Trending/va/vanna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 3步用自然语言查数据库：Vanna 文本转SQL实操指南
3步用自然语言查数据库Vanna 文本转SQL实操指南【免费下载链接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .项目地址: https://gitcode.com/GitHub_Trending/va/vanna业务方要一份数据工程师排期写SQL来回沟通好几天还没出数。Vanna 把这条路缩短用 Python 连上数据库后问一句自然语言它就自动翻译成 SQL、执行并把结果表格和图表一起还给你。快速上手安装 Vanna 并问出第一个数据库问题整个流程就三步装包、连库、提问。安装在任何 Python 环境里执行pip install vanna连接数据库并问第一个问题把配置换成你自己的连接信息import vanna as vn vn vn.PostgreSQL(config{dbname: mydb, user: analyst}) sql, df vn.ask(显示销售额最高的10个客户)看结果ask一次返回三样东西——生成的 SQL、DataFrame 结果表、Plotly 可视化图。默认开启的 auto_train 还会把问对了的问答对存进知识库用得越多它对你业务里的表越熟。工作原理Vanna 如何把一句问话变成可执行的 SQL用大白话拆开链路是四步提问进来用户那句话被原样接收RAG 检索数据库上下文RAG检索增强生成本质是开卷考试——模型作答前Vanna 先从自己的知识库里查出跟这个问题最相关的表结构DDL、业务文档、历史正确 SQLLLM 按方言生成 SQL大模型拿着你的库 相关历史查询作为底稿写出对应数据库方言的 SQL执行并可视化连上数据库跑 SQL把结果包装成表格和图表返回。关键点在第二步决定准不准的不是模型本身而是检索到了多少相关上下文。官方论文的结论很直接——只喂表结构时准确率极低用相关性搜索把最接近的历史查询一起喂进去后准确率大幅拉升具体实验记录见 papers/ai-sql-accuracy-2023-08-17.md。支持的数据库15 种主流引擎分组速览Vanna 的数据库适配按用途可以分成四层对应实现都在 src/vanna/integrations/ 目录下日常业务关系库PostgreSQL、MySQL、Oracle、SQL Server——业务系统每天在用的那些库分析数仓与 OLAP 引擎Snowflake、BigQuery、PrestoDB、Hive、ClickHouse——跑报表和大批量聚合的地方轻量嵌入式SQLite、DuckDB——本地分析场景连服务器都不用向量检索库ChromaDB、Milvus、Weaviate、Qdrant、FAISS 等——负责存放和检索上面提到的那些上下文。准确率与效果91% 的 SQL 生成正确率是怎么来的官方实测 SQL 生成准确率约 91%但要看一个前提这个数字随模型和上下文策略有明显波动。团队的测试集跑了 180 次组合20 个问题 × 3 个 LLM × 3 种上下文策略只给表结构时准确率只有约 3%把最相关的 10 条历史查询检索进来后提升到约 80%在训练数据更丰富、问题更贴近业务的场景下才会继续上探到 91% 这个量级不同 LLM 之间的差距也不小。所以落地时的优先级很明确与其一开始就纠结换更贵的模型不如先把库里高频问题的正确 SQL 喂给它——这是提升幅度最大的杠杆。适合谁用谁会被 Vanna 帮到Vanna 最适合不懂 SQL 但有数据问题的人——运营、产品、业务分析师可以直接自助取数不用给数据团队提需求排期对数据工程师来说它更像一个现成的查询前端官方提供了 FastAPI / Flask 服务和预置的聊天 Web 组件能直接嵌进已有网站。如果你的团队有重复性很高的相似取数需求或者要给业务方开一个带权限体系的数据入口它值得排进试点。Vanna 的价值是把取个数从排期协作变成一行代码的事而且不强迫你换数据库也允许你自选 LLM。想验证它适不适合你的场景最轻的路径是拿一个本地 SQLite 文件连上跑一句vn.ask(...)等第一张图出来你就有答案了。【免费下载链接】vanna Chat with your SQL database . Accurate Text-to-SQL Generation via LLMs using Agentic Retrieval .项目地址: https://gitcode.com/GitHub_Trending/va/vanna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考