一、Text2SQL介绍

简单来说，Text-to-SQL（常简写为Text2SQL）就是一项把人类日常使用的自然语言描述，转换成数据库能理解的SQL查询语句的技术。官方一点的定义是：将数据库领域下的自然语言问题，转化为能在关系型数据库中执行的结构化查询语言——所以它也被称作NL2SQL[1]。

它的典型任务形式非常直观：给定一张表格的信息，输入一段自然语言文本，模型输出对应的SQL语句。

举个简单的例子：用户想查询“平均工资高于整体平均工资的部门名称，以及该部门内的最低教师工资”。Text2SQL模型分析这句话后，生成下面这条SQL语句，再由后端执行模块去数据库里跑出结果——

输入：自然语言问题：“What are the name and lowest instructor salary of the departments with a verage salary greater than the overall a verage?”
输出：SQL语句：“SELECT min(salary), department name FROM instructor GROUP BY department name HA VING a vg(T1.salary) > (SELECT a vq(salary) FROM instructor);”

图1 Text-to-SQL例子[2]

实际上，Text2SQL的本质是将人类语言转化为计算机可理解的规范语义表示，它是语义分析领域的一个子任务。同样的思路还有TEXT2Bash、TEXT2Python、TEX2Ja va等自然语言生成代码的研究方向。

二、Text2SQL的发展历程

这项技术的根源，可以追溯到自然语言处理和数据库领域的早期结合。上世纪中后期，人们就尝试开发通过自然语言直接访问数据库的界面（NLIDB）。不过，当时的系统对自然语言问题的解析不依赖句子成分，每个特定知识领域的数据库都需要专属的语义语法，适应性很差，发展也极其缓慢。

转机出现在2015年——AI复苏和自然语言处理的创新，让人们重新把目光投向NLIDB。如何更自然、更自由地与数据库交互，成了新的研究热点[3]。

下面梳理一下近年来Text2SQL领域的发展脉络和主流方法[3&4]：

：研究人员主要关注自然语言接口与数据库系统的集成，通常使用预定义的语法语义。问题在于自然语言的复杂性和灵活性让这套方案难以满足需求，普适性极低，维护成本居高不下。

：由于SQL本身结构严谨、范式清晰，人们很自然地想到用模板和规则来解决问题。比如用AGG代表聚合函数，完成MAX、COUNT、MIN等操作。这种方案可解释性强，处理简单SQL时准确率高。但面对复杂查询和多样化的自然语言，效果欠佳，规则维护的负担也越来越重。

：深度学习和神经网络技术兴起后，基于机器学习的Text2SQL方法开始崭露头角。常见的序列到序列（Seq2Seq）模型采用编码器-解码器架构，先把自然语言查询编码成一个向量，再解码成对应的SQL语句。这种方法需要大量训练数据和计算资源，但能大大拓展SQL生成的边界，处理更复杂的查询。

：进入21世纪20年代，BERT、GPT等大型预训练语言模型的出现带来了新思路。这些模型基于海量训练数据，能更好地理解自然语言的语义和上下文，显著提升Text2SQL的性能和准确性。通常的做法是通过Fine-tuning来训练一个Text2SQL模型，语义理解能力更强，生成的SQL也更精准。

总体来说，Text2SQL技术走过了从规则到机器学习、再到深度学习的演变之路。随着研究不断推进，它在自然语言处理和数据库查询领域的应用前景无疑会越来越广阔。

三、金融领域实践

在实际的金融机构场景中，我们采用了结合大型预训练模型的方案来构建Text2SQL应用服务。具体做法是：把自然语言问题和对应的SQL查询组合成一个文本序列，输入到语言模型中进行理解和语义解析，最终生成可执行的SQL语句。这种方法能够有效捕捉两者之间的语义关联。

图2 Text2SQL应用服务流程

不过，在真实落地过程中，通用的预训练语言模型仍有优化的空间。实践中主要暴露两个问题：

1）

：模型在生成SQL语句时，偶尔会出现看似合理但实际与输入无关甚至错误的查询。这通常是因为模型尚未充分学习数据库信息和SQL逻辑。

2）

：生成的结果不够稳定，有时需要多次提问才能找到最优答案。

针对这些痛点，我们尝试了Prompt Engineering（提示工程）、Fine-tuning（模型微调）、RAG（检索增强生成）三种主流优化方式。

• Prompt Engineering
  ：通过设计特定提示词或句子，引导模型生成更符合用户意图的输出。比如加入SQL规则、语法、数据库特点等提示信息，帮助模型更好地理解SQL结构。

• Fine-tuning
  ：在预训练模型基础上，使用专门的数据集进行微调，以适应特定任务。对Text2SQL来说，就是用大量SQL语句组成的微调数据集，提升模型对SQL的理解和生成能力。

• RAG（检索增强生成）
  ：这是目前大模型获取外部知识、消除幻觉的主流技术。通过加强知识检索能力，为模型提供更有依据的事实信息，解决生成式AI在专业领域表现不佳的固有缺陷。

这三种思路的对比如下：

1. Prompt Engineering（提示工程）

不经过任何Prompt，直接拿LLM提问“去年各产品的市场规模”，结果往往不尽如人意——模型生成的SQL语法正确，但字段含义和口径不对，完全不能满足业务真实需求。

基于这个发现，我们尝试在Prompt中预先植入场景知识。参考了SPIDER榜单排名前5的Prompt设计，提供的信息包括：结构化指令、数据库中表信息、场景案例的Few-shot Examples，并对案例问题中的题目和表结构进行对齐（Schema Linking）。经过这样精心调整的结构化引导，模型的输出效果明显改善。

优化后的Prompt再次提问，生成的答案能够准确反映真实业务场景的数据特点和查询要求。

结论：经过Prompt优化，模型生成的答案完全满足应用需求。

2. Fine-tuning（模型微调）

当前主流的微调方法包括Adapter Tuning、LORA、Prefix-Tuning、Prompt Tuning、P-tuning v2等。自然语言处理领域通常采用“大规模预训练+特定任务微调”的范式。但随着预训练模型规模越来越大，这种范式也面临挑战：

• 重新训练所有参数成本太高。
• Adapter会引入额外推理延迟，Prefix-Tuning训练难度大、效果不稳定。

基于“模型是过参数化的，存在更低的内在维度”这一概念，研究人员提出了低秩自适应（LoRA）方法。它的核心思想是：假设模型在任务适配过程中权重的改变量是低秩的，通过优化密集层变化的秩分解矩阵，间接训练部分密集层，同时保持预训练权重不变。

图3 LoRA的实现

我们在Text2SQL任务中尝试了LoRA方案。选择金融领域的真实业务SQL数据集，经过清洗和标注后，对模型进行重新训练和参数调整，使模型深度理解金融数据库查询场景和专业领域知识，尤其强化了对常用金融统计函数和统计口径的学习。

经LoRA微调后的模型，生成的答案在真实业务场景中表现更出色，对SQL用法的理解也更深入。

3. RAG（检索增强生成）

RAG将检索式方法和生成式方法结合起来，目的是提高信息检索的准确性和生成文本的质量。它的基本流程是：先从已有数据源或知识库中检索相关信息，再把检索到的信息作为大模型生成答案的依据。

具体来说，先把文本分割成块，用编码模型嵌入成向量，放入索引。然后为用户查询构建提示，告诉模型根据搜索到的上下文来回答用户的问题[7]。

图4 RAG（检索增强）基础流程[8]

在Text2SQL的数据库问答模型中应用RAG架构，可以明显提高信息检索的准确性和效率，帮助生成更贴近用户需求的SQL代码。结合检索和生成的优势，模型提供了更全面的代码查找和文本处理能力，使生成的答案更符合场景实际。

四、实践效果

通过综合运用Prompt、模型微调和检索增强技术，我们在相似的拓展问题上进行了验证。最终效果如下：在测试的44个金融真实数据查询案例中，依据SPIDER数据集的分类标准对SQL类型进行划分，模型可完成80%以上的一般查询和关联查询问题，在保证逻辑准确的前提下，能够完成60%以上的复杂嵌套SQL问题。模型幻觉出现的频率降到了7%以下。

我们通过自研的智鸿-共享智能决策引擎，完成了整套Text2SQL大模型的构建、优化和部署工作。平台建立了从数据接入、模型微调、提示工程、模型计算到上线应用的全流程大模型服务与管理模块。基于金融行业真实数据库查询数据，我们对预训练模型进行了上述三种方式的优化，实现了大模型训练到服务的全生命周期管理。

五、Text2SQL技术未来在金融领域的应用

Text2SQL技术能帮助金融机构高效处理大量自然语言查询问题，将其转换成SQL查询，从而大幅提升数据查询和分析的效率。未来，它在金融领域中的应用场景将更加广阔：

• 数据分析场景
  ：数据分析部门可以更便捷地通过自然语言提出分析需求，系统自动转换成SQL，快速从海量数据中提取关键信息。

• 业务与客户服务数据支持
  ：自动处理账户余额查询、交易记录查询等常见需求，快速检索数据库，以易于理解的方式回答用户问题。

• 决策支持
  ：为公司管理者提供便捷、人性化的数据库智能问询服务，辅助战略决策。

• 自动化报表生成
  ：用户只需描述需要的报告内容，系统就能自动提取数据并生成相应报告和图表。

• 风险管理与合规性监管
  ：帮助风险管理和合规部门快速查询和分析相关数据，更好地管理内外部风险。