应用计算

代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

🔥年度创作者大赛｜组队创作赢好礼，年度分享启新程！

新邀入驻腾讯云开发者社区，福利多多！

引言：在 ToB 软件公司普遍毛利不足 20% 的今天，一个常被当作‘附属功能’的模块，正悄悄吃掉近 1/3 的项目利润——它就是报表

ToB 软件降本过冬：破解报表环节的隐性成本，重构项目利润模型

在工业生产场景中，成百上千个测量仪表7×24小时不间断运行，产生海量数据。这些随时间而产生的数据称为时序数据。时序数据是设备运行状态的“晴雨表”，如果能及时发现异常，就能将设备故障控制在萌芽阶段，避免重大生产事故发生。

工业 AI 监盘发现异常实践

在这个言必称“大模型”的时代，当几乎所有智能问数方案都在比拼谁的模型参数更多、谁用的 GPU 更贵时，我们却要提出一个“离经叛道”的问题：

没有 GPU 不用 LLM 能把 Text2SQL 做到什么程度？

AI 时代，到处都在说“智能问数”，用大白话直接问，数据就给你整得明明白白。理想很美好，可真要一探究竟，大家心里就打了鼓：这玩意儿是不是得养个 AI 科学家团队？是不是得买几十上百万的 GPU 服务器？查出来的数要是不准，谁敢拿来做决策？

人人都能实施的智能问数，中小用户也能玩得转的 Text2SQL

一直以来，我们和数据之间始终存在距离，要从数据中获取洞察，需要拖拽字段、配置图表，甚至写 SQL 语句、Python 代码。而 chatBI 的出现，似乎可以让这一切变得前所未有的简单，只要会打字、会提问，就能轻松获得结果。chatBI 就像个玩具一样容易上手，让人很乐意去“玩”一下数据。

AI 现在都这么强大了，为什么 chatBI 还像是个玩具？

在本系列的前两篇文章（ Text2SQL 破局技术解析之一：规范文本与灵活性 和 Text2SQL 破局技术解析之二：MQL 实现与复杂性 ）中剖析了 Text2SQL 领域面临的 "灵活性、准确性与查询复杂性" 三难困境，并提出了润乾 NLQ 的破局架构：引入 LLM 处理自然语言的多样性来保障灵活性；通过人类可读的规范文本来解决 LLM 的幻觉问题，确保准确性；再用 MQL、DQL、SPL 的分工协作来支撑查询复杂性。

Text2SQL 破局技术解析之三：NLQ 词典与准确性

自然语言转 SQL（Text2SQL）技术旨在降低数据查询的技术门槛，但一直面临 "灵活性"、"准确性" 与 "查询复杂性" 难以兼顾的困境。直接由大语言模型生成 SQL 存在语义 "幻觉" 造成准确性偏低，引入结构化中间层获得准确性的有限提升却会牺牲查询复杂性，难以满足企业级 BI 需求。润乾 NLQ 技术采用 "规范文本" 作为中间层，构建人机均可理解的中介语言，将不确定性限制在自然语言理解阶段，通过人类确认的方式解决准确性问题，再利用规则引擎转换准确的 SQL 进行查询，同时 "规范文本" 的设计还能支持复杂查询。这样将同时获得灵活性、准确性与复杂性，还有巨大的成本优势，为 Text2SQL 的实用化提供了一条可行的工程路径。

万字长文解析 NLQ 破局 Text2SQL，兼得灵活复杂准确

在基于 "规范文本" 的 NLQ 架构中，MQL（Metrics Query Language）作为规范文本的确定性编译目标，承担着关键使命。本文作为 "规范文本" 篇的延续，将继续解析 MQL 的设计逻辑及其实现机制。

Text2SQL 破局技术解析之二：MQL 实现与复杂性

自然语言转 SQL（Text2SQL）技术旨在降低数据查询的技术门槛，但一直面临 "灵活性"、"准确性" 与 "查询复杂性" 难以兼顾的技术困境。直接由大语言模型生成 SQL 存在语义 "幻觉" 会带来准确性问题，引入结构化中间层通过牺牲查询复杂性换来准确性的有限提升，仍然难以满足企业级 BI 场景的需求。润乾 NLQ 技术采用 "规范文本" 作为中间层，构建人机均可理解的中介语言，将不确定性限制在自然语言理解阶段，并通过人类可确认的方式解决准确性问题，再利用规则引擎转换准确的 SQL 进行查询，同时 "规范文本" 的设计为支持复杂查询提供了基础。能够同时获得灵活性、准确性与复杂性，而且还有巨大的成本优势，为 Text2SQL 技术的实用化提供了一条可行的工程路径。

Text2SQL 破局技术解析之一：规范文本与灵活性

随着 AI 大模型的技术突破，用自然语言与数据进行对话的 ChatBI 概念也变得火热起来，人们普遍认为这件事终于具备了可行性。于是，业界很自然地沿着大模型（LLM）这条技术路线进行探索，期待它能理解业务人员的随意提问并直接返回数据结果。

另辟蹊径的 Text2SQL，不用大模型也能搞 chatBI

枚举字段的取值是有限几种值，针对枚举字段 f 的过滤条件写成 f =v1 or f=v2 or…或者 f !=v1 and f !=v2 and…，也可能写成 in 或者 not in。数据库要用 f 与 n 个值比较计算，数据表较大的时候比较次数会很多，性能就会比较差，而且 n 越大性能越差。

第六篇 枚举字段条件过滤--SPL轻量级文件存储提速查询实践

大主子表之间进行 EXISTS 计算往往会导致较差的性能。这样的计算本质上是在做主键关联，如果能预先将主子表都按照主键有序存储，也可以使用有序归并算法有效提速。

第五篇 - 大主子表关联时的 EXISTS--SPL轻量级文件存储提速查询实践

主表订单表和子表明细表的关联就是主键关联。SQL 中，这种关联仍用 JOIN 实现，在两个表都很大的情况下，常常出现计算速度非常慢的现象。

第四篇 - 大主子表关联--SPL轻量级文件存储提速查询实践

SQL 对关联的定义过于简单，就是两个表做笛卡尔积后再过滤，在语法上写成 A JOIN B ON …的形式。这样笼统处理多种关联，不体现关联运算本质，书写和优化都困难。

第三篇 外键维表的关联：SPL轻量级文件存储提速查询实践

SQL 中的去重计数 COUNT DISTINCT 一直比较慢。去重本质上是分组运算，需要把遍历过的分组字段值都保持住，用于后续的比对。结果集太大时，还要把数据写到硬盘上做缓存，性能低下。

第二篇 -COUNT DISTINCT：SPL轻量级文件存储提速查询实践

我们以订单表为例实现 esProc SPL 数据外置，提速常规过滤及分组汇总计算。

第一篇 - 常规过滤及分组汇总:SPL轻量级文件存储提速查询实践

传统交易（TP）数据库不擅长分析计算，而专业 OLAP 数据库又过于沉重，经常需要集群，不仅成本高昂，也会使系统架构变得更复杂。

SPL轻量级文件存储提速查询实践

应用程序可能要基于不同数据库工作，各种数据库的 SQL 语法大体一致，但仍有些差别，结果就要改造这些 SQL，而这事通常只能手工调整，工作量大还容易出错。

SQL 移植--SPL 轻量级多源混算实践 7

车辆管理系统（DB_Vehicle）保存了车辆与车主等相关信息，其中车主信息表 owner_info 表结构简化如下：

跨库 JOIN---SPL 轻量级多源混算实践 6

相同结构的数据按照年份存储到不同数据库时，要进行数据统计就会涉及多库混合计算。事实上，不管是数据库还是其他任何存储介质，相同结构数据合并都是类似的，只是读取数据这一步有所不同（不同数据源有不同的接口 / 函数）。

跨库 Union，比对--SPL 轻量级多源混算实践 5

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

腾讯云开发者社区推出了应用计算专栏，为你提供了应用计算的相关文章，致力于帮助开发者快速成长与发展。

应用计算

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐