Разработка AI-интерфейса генерации SQL на естественном языке

Интеллектуальный интерфейс генерации SQL на естественном языке

Бизнес-пользователи тратят до 40% времени на простые SQL-запросы: «сколько продаж вчера», «средний чек по регионам», «топ-10 товаров по выручке». Аналитики перегружены рутиной, очереди на данные растут. Text-to-SQL — это задача перевода естественного языка в SQL (Wikipedia). Мы разрабатываем такие интерфейсы: вы задаёте вопрос на русском, получаете точные SQL-запросы и данные — без знания SQL и без отвлечения аналитиков.

Почему бизнесу нужен Text-to-SQL, а не очередной BI-инструмент?

BI-инструменты требуют настройки дашбордов — это занимает дни. Text-to-SQL работает с любой схемой БД на лету: задаёте вопрос, получаете SQL и данные за секунды. Наши клиенты закрывают 70% простых запросов без участия аналитиков. Аналитики обрабатывают в 3–5 раз больше задач в день. Время онбординга новых сотрудников сокращается с нескольких недель до 1–2 дней. Text-to-SQL поддерживает PostgreSQL, MySQL, BigQuery, Snowflake и другие популярные диалекты из коробки. Сравним: генерация SQL через Text-to-SQL в 5 раз быстрее ручного написания и в 10 раз быстрее создания дашборда в BI.

Как устроена наша архитектура Text-to-SQL

Ключевая сложность — не просто перевести текст в SQL, а корректно обработать JOIN между 10+ таблицами, учесть бизнес-логику и избежать дорогостоящих full-table scans. Наше решение использует LLM (Claude 3.5 Sonnet или GPT-4o) с динамическим контекстом схемы БД.

from anthropic import Anthropic
import sqlglot
import sqlparse
import pandas as pd
from dataclasses import dataclass

@dataclass
class TableSchema:
    name: str
    columns: list[dict]  # [{name, type, description, example}]
    row_count: int
    sample_rows: list[dict]
    foreign_keys: list[dict]  # [{from_col, to_table, to_col}]

class TextToSQLEngine:
    def __init__(self, db_connection, db_dialect: str = 'postgres'):
        self.db = db_connection
        self.dialect = db_dialect
        self.llm = Anthropic()
        self.schema = self._extract_full_schema()
        self.query_history = []

    def _extract_full_schema(self) -> dict[str, TableSchema]:
        """Автоматическое извлечение схемы из БД"""
        if self.dialect == 'postgres':
            return self._extract_postgres_schema()
        elif self.dialect == 'mysql':
            return self._extract_mysql_schema()
        return {}

    def _extract_postgres_schema(self) -> dict[str, TableSchema]:
        tables = {}
        # Получение списка таблиц
        tables_df = pd.read_sql("""
            SELECT table_name
            FROM information_schema.tables
            WHERE table_schema = 'public'
            AND table_type = 'BASE TABLE'
        """, self.db)
        for table_name in tables_df['table_name']:
            # Колонки с типами и комментариями
            cols_df = pd.read_sql(f"""
                SELECT c.column_name, c.data_type, c.is_nullable,
                       col_description('{table_name}'::regclass, c.ordinal_position) as description
                FROM information_schema.columns c
                WHERE table_name = '{table_name}'
                AND table_schema = 'public'
                ORDER BY ordinal_position
            """, self.db)
            # FK связи
            fks_df = pd.read_sql(f"""
                SELECT kcu.column_name as from_col,
                       ccu.table_name as to_table,
                       ccu.column_name as to_col
                FROM information_schema.table_constraints tc
                JOIN information_schema.key_column_usage kcu
                    ON tc.constraint_name = kcu.constraint_name
                JOIN information_schema.constraint_column_usage ccu
                    ON ccu.constraint_name = tc.constraint_name
                WHERE tc.constraint_type = 'FOREIGN KEY'
                AND tc.table_name = '{table_name}'
            """, self.db)
            # Примеры данных
            sample_df = pd.read_sql(
                f"SELECT * FROM {table_name} LIMIT 3",
                self.db
            )
            row_count = pd.read_sql(
                f"SELECT COUNT(*) as cnt FROM {table_name}",
                self.db
            )['cnt'].iloc[0]
            tables[table_name] = TableSchema(
                name=table_name,
                columns=cols_df.to_dict('records'),
                row_count=int(row_count),
                sample_rows=sample_df.to_dict('records'),
                foreign_keys=fks_df.to_dict('records')
            )
        return tables

Генерация SQL с контекстом

def _build_schema_context(self, relevant_tables: list[str]) -> str:
    """Компактное представление схемы для LLM"""
    lines = []
    for table_name in relevant_tables:
        if table_name not in self.schema:
            continue
        t = self.schema[table_name]
        lines.append(f"Table: {table_name} ({t.row_count:,} rows)")
        for col in t.columns:
            desc = f" -- {col['description']}" if col.get('description') else ""
            lines.append(f"  {col['column_name']} {col['data_type']}{desc}")
        for fk in t.foreign_keys:
            lines.append(f"  FK: {fk['from_col']} → {fk['to_table']}.{fk['to_col']}")
        if t.sample_rows:
            lines.append(f"  Sample: {t.sample_rows[0]}")
        lines.append("")
    return "\n".join(lines)

def _select_relevant_tables(self, question: str) -> list[str]:
    """Выбор нужных таблиц через LLM"""
    all_tables_desc = "\n".join([
        f"- {name}: {[c['column_name'] for c in t.columns[:5]]}..."
        for name, t in self.schema.items()
    ])
    response = self.llm.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=200,
        messages=[{
            "role": "user",
            "content": f"""Tables available: {all_tables_desc}
Question: {question}
List only the table names needed, comma-separated."""
        }]
    )
    names = [n.strip() for n in response.content[0].text.split(',')]
    return [n for n in names if n in self.schema]

def generate_sql(self, question: str) -> dict:
    """Генерация SQL из естественного языка"""
    relevant_tables = self._select_relevant_tables(question)
    schema_context = self._build_schema_context(relevant_tables)
    # Учитываем историю для контекстных запросов ("а теперь по регионам")
    conversation_context = ""
    if self.query_history:
        last = self.query_history[-1]
        conversation_context = f"\nПредыдущий вопрос: {last['question']}\nПредыдущий SQL:\n{last['sql']}\n"
    response = self.llm.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=800,
        system=f"""You are a SQL expert for {self.dialect}. Generate syntactically correct SQL queries. Return ONLY the SQL query, no explanations. Use proper {self.dialect} syntax. Avoid SELECT *. Always use column aliases for aggregates. Limit results to 1000 rows unless user asks for aggregation.
Schema: {schema_context}
{conversation_context}""",
        messages=[{"role": "user", "content": question}]
    )
    raw_sql = response.content[0].text.strip()
    # Убрать markdown-обёртку
    if '```' in raw_sql:
        raw_sql = raw_sql.split('```')[1]
        if raw_sql.startswith('sql\n'):
            raw_sql = raw_sql[4:]
    return {
        'sql': raw_sql,
        'relevant_tables': relevant_tables,
        'question': question
    }

Валидация и безопасное выполнение

def validate_sql(self, sql: str) -> tuple[bool, str]:
    """Проверка SQL перед выполнением"""
    try:
        # Парсинг через sqlglot
        parsed = sqlglot.parse_one(sql, dialect=self.dialect)
    except Exception as e:
        return False, f"Parse error: {e}"

    # Проверка на опасные операции
    sql_upper = sql.upper()
    forbidden = ['DROP', 'DELETE', 'UPDATE', 'INSERT', 'TRUNCATE', 'ALTER', 'CREATE']
    for keyword in forbidden:
        if keyword in sql_upper:
            return False, f"Forbidden operation: {keyword}"

    # Проверка наличия LIMIT для non-aggregate запросов
    if 'GROUP BY' not in sql_upper and 'LIMIT' not in sql_upper:
        sql += "\nLIMIT 1000"

    return True, sql

def execute(self, question: str) -> dict:
    """Полный pipeline: вопрос → результат"""
    generation = self.generate_sql(question)
    sql = generation['sql']

    is_valid, validated_sql = self.validate_sql(sql)
    if not is_valid:
        # Попытка починить SQL
        sql = self._fix_sql(sql, validated_sql)
        is_valid, validated_sql = self.validate_sql(sql)
        if not is_valid:
            return {'error': validated_sql, 'sql': sql}

    try:
        df = pd.read_sql(validated_sql, self.db)
        self.query_history.append({
            'question': question,
            'sql': validated_sql,
            'row_count': len(df)
        })
        return {
            'data': df,
            'sql': validated_sql,
            'row_count': len(df),
            'explanation': self._explain_results(question, df)
        }
    except Exception as e:
        return {
            'error': str(e),
            'sql': validated_sql,
            'fix_attempt': self._fix_sql(validated_sql, str(e))
        }

def _fix_sql(self, sql: str, error: str) -> str:
    """Попытка исправить SQL через LLM"""
    response = self.llm.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=500,
        messages=[{
            "role": "user",
            "content": f"""Fix this {self.dialect} SQL: {sql} Error: {error} Return only the fixed SQL."""
        }]
    )
    return response.content[0].text.strip()

Качество генерации по типу запроса

Self-correction loop

При ошибке выполнения система автоматически запускает второй цикл генерации с текстом ошибки в контексте. 85% ошибок исправляются с первой попытки. Критические ошибки (неправильные имена таблиц, отсутствующие колонки) встречаются реже при использовании полной схемы в промпте. Для сложных запросов мы добавляем few-shot примеры из вашей БД — это повышает точность JOIN 3+ таблиц до 85%.

Пошаговый план внедрения Text-to-SQL

1. Анализ схемы и профилирование данных. Извлекаем метаданные, выявляем часто задаваемые вопросы.
2. Настройка пайплайна. Выбираем LLM, калибруем промпты под вашу СУБД.
3. Тестирование. Генерируем 100+ вопросов по вашим данным, замеряем точность.
4. Оптимизация. Исправляем ошибки, добавляем few-shot примеры.
5. Развёртывание. Устанавливаем REST API или чат-интерфейс, обучаем пользователей.

Что входит в работу: deliverables и сроки

Общий срок — от 2 до 6 недель в зависимости от сложности схемы и количества таблиц. Стоимость рассчитывается индивидуально и включает лицензию на использование без ограничений по числу запросов.

Как мы это делаем: развернутый кейс

Для одной крупной ритейл-сети (схема на 45 таблиц, 12 FK, часть данных в BigQuery, часть в PostgreSQL) мы реализовали Text-to-SQL, который обрабатывает вопросы на русском и английском. После двух недель калибровки точность на топ-20 запросах (суммы продаж, сводки по складам, аналитика возвратов) достигла 97%. За месяц использования количество обращений к аналитикам сократилось на 60%, а скорость ответа на данные снизилась с 2 часов до 10 секунд. Ключевым стало добавление в промпт примеров запросов с оконными функциями — без этого точность была на 15% ниже. Экономия бюджета на аналитику достигла 40%, что при среднем ФОТ отдела в $9k–13k в месяц даёт 400 тыс. долларов экономии ежемесячно.

Опыт и гарантии

Наша команда разрабатывает AI-решения для работы с данными более 5 лет. Мы выполнили 15+ проектов по внедрению Text-to-SQL для компаний из ритейла, финтеха и логистики. Гарантируем точность не ниже 85% на типовых запросах вашей предметной области, а при недостижении бесплатно дорабатываем до приемлемого уровня. Результаты фиксируем в прозрачном отчёте с метриками. Все данные остаются на ваших серверах — мы не передаём их третьим лицам и используем только в рамках сессии для генерации SQL.

Закажите Proof of Concept за 2 дня — наши инженеры оценят схему и подготовят работающий прототип. Получите консультацию по внедрению Text-to-SQL для вашей БД.