本功能处于实验性阶段，不建议用于生产环境。自然语言到 SQL 的转换存在以下风险：
推荐: 对于生产应用，请使用预定义的查询模板或 AGENT_TOOLKIT.md 中的结构化方法。
NL2SQL 允许用户用自然语言描述查询需求，自动转换为 xb 查询代码。
package nl2sql
import (
"context"
"encoding/json"
openai "github.com/sashabaranov/go-openai"
)
type QueryGenerator struct {
client *openai.Client
schema SchemaInfo
}
type SchemaInfo struct {
TableName string
Fields []FieldInfo
}
type FieldInfo struct {
Name string
Type string
Description string
Enum []string
}
func NewQueryGenerator(apiKey string, schema SchemaInfo) *QueryGenerator {
return &QueryGenerator{
client: openai.NewClient(apiKey),
schema: schema,
}
}
func (g *QueryGenerator) GenerateQuery(ctx context.Context, naturalQuery string) (string, error) {
prompt := g.buildPrompt(naturalQuery)
resp, err := g.client.CreateChatCompletion(ctx, openai.ChatCompletionRequest{
Model: openai.GPT4,
Messages: []openai.ChatCompletionMessage{
{
Role: openai.ChatMessageRoleSystem,
Content: systemPrompt,
},
{
Role: openai.ChatMessageRoleUser,
Content: prompt,
},
},
Temperature: 0,
})
if err != nil {
return "", err
}
return resp.Choices[0].Message.Content, nil
}
func (g *QueryGenerator) buildPrompt(query string) string {
schemaJSON, _ := json.MarshalIndent(g.schema, "", " ")
return fmt.Sprintf(`根据以下数据库表结构，将自然语言查询转换为 xb 查询代码。
表结构:
%s
自然语言查询: %s
请生成 Go 代码（只包含 xb 查询部分）:`, schemaJSON, query)
}
const systemPrompt = `你是一个数据库查询专家。你的任务是将自然语言查询转换为 xb 查询代码。
规则:
1. 只生成 xb 查询代码，不要包含其他内容
2. 使用正确的字段名和类型
3. 对于模糊匹配使用 Like()
4. 对于精确匹配使用 Eq()
5. 对于范围查询使用 Gte()/Lte()
6. 对于多值匹配使用 In()
7. 始终添加适当的 Limit()
示例:
输入: "查找所有活跃用户"
输出: xb.Of(&User{}).Eq("status", "active").Limit(100).Build()
输入: "查找年龄在18到30岁之间的用户"
输出: xb.Of(&User{}).Gte("age", 18).Lte("age", 30).Limit(100).Build()
`
func main() {
// 定义表结构
schema := nl2sql.SchemaInfo{
TableName: "users",
Fields: []nl2sql.FieldInfo{
{
Name: "id",
Type: "int64",
Description: "用户 ID",
},
{
Name: "username",
Type: "string",
Description: "用户名",
},
{
Name: "status",
Type: "string",
Description: "账户状态",
Enum: []string{"active", "inactive", "banned"},
},
{
Name: "age",
Type: "int",
Description: "年龄",
},
},
}
generator := nl2sql.NewQueryGenerator("your-api-key", schema)
// 自然语言查询
queries := []string{
"查找所有活跃用户",
"找出年龄大于25岁的用户",
"搜索用户名包含 admin 的账户",
}
for _, q := range queries {
code, err := generator.GenerateQuery(context.Background(), q)
if err != nil {
log.Fatal(err)
}
fmt.Printf("查询: %s\n", q)
fmt.Printf("代码: %s\n\n", code)
}
}
func (g *QueryGenerator) GenerateVectorQuery(ctx context.Context, naturalQuery string) (string, error) {
prompt := fmt.Sprintf(`将自然语言查询转换为 xb 向量检索查询。
查询: %s
生成包含以下步骤的代码:
1. 调用 embedding 函数获取查询向量
2. 使用 VectorSearch() 进行向量检索
3. 添加适当的标量过滤条件
4. 设置 Top-K 和分数阈值
示例输出:
queryVector, _ := embedText(query)
built := xb.Of(&DocumentChunk{}).
VectorSearch("embedding", queryVector, 10).
Eq("language", "zh").
Build()
result, _ := built.ToQdrantJSON()
`, naturalQuery)
// 调用 LLM...
}
type QueryValidator struct {
allowedOperations []string
maxLimit int
allowedFields []string
}
func (v *QueryValidator) Validate(generatedCode string) error {
// 1. 检查是否包含危险操作
dangerousOps := []string{"Delete(", "Drop(", "Truncate("}
for _, op := range dangerousOps {
if strings.Contains(generatedCode, op) {
return fmt.Errorf("dangerous operation detected: %s", op)
}
}
// 2. 检查 Limit
if !strings.Contains(generatedCode, "Limit(") {
return fmt.Errorf("missing Limit() call")
}
// 3. 提取并验证字段名
fields := extractFields(generatedCode)
for _, field := range fields {
if !contains(v.allowedFields, field) {
return fmt.Errorf("field not allowed: %s", field)
}
}
return nil
}
// 在隔离环境中执行生成的查询
func ExecuteInSandbox(generatedCode string, timeout time.Duration) (string, error) {
ctx, cancel := context.WithTimeout(context.Background(), timeout)
defer cancel()
// 创建临时文件
tmpFile := "/tmp/query_" + generateID() + ".go"
ioutil.WriteFile(tmpFile, []byte(wrapCode(generatedCode)), 0644)
defer os.Remove(tmpFile)
// 编译
cmd := exec.CommandContext(ctx, "go", "build", "-o", "/tmp/query", tmpFile)
if err := cmd.Run(); err != nil {
return "", fmt.Errorf("compilation failed: %w", err)
}
// 执行
cmd = exec.CommandContext(ctx, "/tmp/query")
output, err := cmd.CombinedOutput()
return string(output), err
}
func NL2SQLDemo() {
// 1. 用户输入自然语言
userInput := "查找最近7天发布的关于人工智能的中文文章，按相关性排序"
// 2. 生成查询代码
generator := nl2sql.NewQueryGenerator(apiKey, schema)
code, _ := generator.GenerateVectorQuery(context.Background(), userInput)
fmt.Println("生成的代码:")
fmt.Println(code)
// 输出:
// queryVector, _ := embedText("人工智能")
// sevenDaysAgo := time.Now().AddDate(0, 0, -7)
// result, _ := xb.Of(&Article{}).
// VectorSearch("embedding", queryVector).
// Eq("language", "zh").
// Eq("category", "tech").
// Gte("published_at", sevenDaysAgo).
// QdrantX(func(qx *xb.QdrantBuilderX) {
// qx.ScoreThreshold(0.7)
// }).
// Build().ToQdrantJSON()
// 3. 验证查询
validator := &QueryValidator{
allowedFields: []string{"language", "category", "published_at"},
maxLimit: 100,
}
if err := validator.Validate(code); err != nil {
log.Fatal("查询验证失败:", err)
}
// 4. 执行查询（在实际应用中）
// results := executeQuery(code)
}
警告: 请勿在生产环境中直接使用未经验证的自动生成代码。