Генерація SQL природною мовою: Text-to-SQL інтерфейс

Інтелектуальний інтерфейс генерації SQL природною мовою

Бізнес-користувачі витрачають до 40% часу на прості SQL-запити: «скільки продажів учора», «середній чек по регіонах», «топ-10 товарів за виручкою». Аналітики перевантажені рутиною, черги на дані зростають. Text-to-SQL — це задача перекладу природної мови в SQL (Wikipedia). Ми розробляємо такі інтерфейси: ви ставите запитання українською, отримуєте точні SQL-запити та дані — без знання SQL і без відволікання аналітиків.

Чому бізнесу потрібен Text-to-SQL, а не черговий BI-інструмент?

BI-інструменти вимагають налаштування дашбордів — це займає дні. Text-to-SQL працює з будь-якою схемою БД на льоту: ставите запитання, отримуєте SQL та дані за секунди. Наші клієнти закривають 70% простих запитів без участі аналітиків. Аналітики обробляють у 3–5 разів більше завдань на день. Час онбордингу нових співробітників скорочується з кількох тижнів до 1–2 днів. Text-to-SQL підтримує PostgreSQL, MySQL, BigQuery, Snowflake та інші популярні діалекти з коробки. Порівняймо: генерація SQL через Text-to-SQL в 5 разів швидша за ручне написання і в 10 разів швидша за створення дашборду в BI.

Як влаштована наша архітектура Text-to-SQL

Ключова складність — не просто перекласти текст у SQL, а коректно обробити JOIN між 10+ таблицями, врахувати бізнес-логіку та уникнути дорогих full-table scans. Наше рішення використовує LLM (Claude 3.5 Sonnet або GPT-4o) із динамічним контекстом схеми 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]:
        """Автоматичне вилучення схеми з 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 = {}
        # Отримання списку таблиць
        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 з типами та коментарями
            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 зв'язки
            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)
            # Приклади даних
            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

Генерація SQL з контекстом

def _build_schema_context(self, relevant_tables: list[str]) -> str:
    """Компактне представлення схеми 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]:
    """Вибір потрібних таблиць 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:
    """Генерація SQL з природної мови"""
    relevant_tables = self._select_relevant_tables(question)
    schema_context = self._build_schema_context(relevant_tables)
    # Враховуємо історію для контекстних запитів ("а тепер по регіонах")
    conversation_context = ""
    if self.query_history:
        last = self.query_history[-1]
        conversation_context = f"\nПопереднє запитання: {last['question']}\nПопередній 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()
    # Прибрати markdown-обгортку
    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
    }

Валідація та безпечне виконання

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

    # Перевірка на небезпечні операції
    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}"

    # Перевірка наявності LIMIT для non-aggregate запитів
    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:
    """Повний pipeline: питання → результат"""
    generation = self.generate_sql(question)
    sql = generation['sql']

    is_valid, validated_sql = self.validate_sql(sql)
    if not is_valid:
        # Спроба виправити 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:
    """Спроба виправити 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()

Якість генерації за типом запиту

Self-correction loop

При помилці виконання система автоматично запускає другий цикл генерації з текстом помилки в контексті. 85% помилок виправляються з першої спроби. Критичні помилки (неправильні імена таблиць, відсутні колонки) трапляються рідше при використанні повної схеми в промпті. Для складних запитів ми додаємо few-shot приклади з вашої БД — це підвищує точність JOIN 3+ таблиць до 85%.

Покроковий план впровадження Text-to-SQL

1. Аналіз схеми та профілювання даних. Витягуємо метадані, виявляємо часто задавані питання.
2. Налаштування пайплайну. Вибираємо LLM, калібруємо промпти під вашу СУБД.
3. Тестування. Генеруємо 100+ питань за вашими даними, заміряємо точність.
4. Оптимізація. Виправляємо помилки, додаємо few-shot приклади.
5. Розгортання. Встановлюємо REST API або чат-інтерфейс, навчаємо користувачів.

Що входить в роботу: deliverables та строки

Загальний строк — від 2 до 6 тижнів залежно від складності схеми та кількості таблиць. Вартість розраховується індивідуально та включає ліцензію на використання без обмежень за кількістю запитів.

Як ми це робимо: розгорнутий кейс

Для однієї великої ритейл-мережі (схема на 45 таблиць, 12 FK, частина даних у BigQuery, частина в PostgreSQL) ми реалізували Text-to-SQL, який обробляє питання українською та англійською. Після двох тижнів калібрування точність на топ-20 запитах (суми продажів, зведення по складах, аналітика повернень) досягла 97%. За місяць використання кількість звернень до аналітиків скоротилася на 60%, а швидкість відповіді на дані знизилася з 2 годин до 10 секунд. Ключовим стало додавання в промпт прикладів запитів із віконними функціями — без цього точність була на 15% нижчою. Економія бюджету на аналітику досягла 40%, що при середньому ФОП відділу в $9k–13kів на місяць дає 400 тис. рублів економії щомісяця.

Досвід та гарантії

Наша команда розробляє AI-рішення для роботи з даними понад 5 років. Ми виконали 15+ проєктів із впровадження Text-to-SQL для компаній із ритейлу, фінтеху та логістики. Гарантуємо точність не нижче 85% на типових запитах вашої предметної області, а при недосягненні безкоштовно доопрацьовуємо до прийнятного рівня. Результати фіксуємо в прозорому звіті з метриками. Всі дані залишаються на ваших серверах — ми не передаємо їх третім особам і використовуємо лише в рамках сесії для генерації SQL.

Замовте Proof of Concept за 2 дні — наші інженери оцінять схему та підготують робочий прототип. Отримайте консультацію щодо впровадження Text-to-SQL для вашої БД.