简体中文 | English

Text2Sql.Net - 自然语言转SQL的.NET实现

项目背景

Text2Sql.Net是一个基于.NET平台的自然语言转SQL工具，旨在帮助开发者和数据分析师通过简单的自然语言描述快速生成数据库查询语句。项目结合了大型语言模型(LLM)和传统SQL解析技术，支持多种主流数据库。

核心功能

• 自然语言转SQL：输入日常语言描述，自动生成对应的SQL查询语句
• 多数据库支持：兼容SQL Server、MySQL、PostgreSQL和SQLite
• 智能上下文理解：基于聊天历史理解用户查询意图
• 向量搜索集成：支持基于语义的相似度搜索
• 语法校验：自动检查生成的SQL语法正确性

技术架构

配置文件。项目支持使用sqlite或者pgsql运行，支持配置SqlService、MySql、PgSql、Sqlite进行Text2Sql

  "Text2SqlOpenAI": {
    "Key": "你的秘钥",
    "EndPoint": "https://api.antsk.cn/",
    "ChatModel": "gpt-4o",
    "EmbeddingModel": "text-embedding-ada-002"
  },
  "Text2SqlConnection": {
    "DbType": "Sqlite", //PostgreSQL
    "DBConnection": "Data Source=text2sql.db",
    "VectorConnection": "text2sqlmem.db",
    "VectorSize": 1536 //PostgreSQL需要设置，sqlite可以不设置
  }

也欢迎大家加入我们的微信交流群，可以添加我的微信：xuzeyu91 发送进群

核心模块

数据库适配层

向量数据库集成

• 基于策略模式实现多数据库支持
• 通过IDatabaseProvider接口定义标准操作
• 动态加载对应数据库驱动（SQLite/Postgres/MySql/SqlServer）
• 自动生成数据库特定方言的SQL语句

核心处理流程

flowchart TD
    A[用户输入自然语言查询] --> B{选择数据库连接}
    B -->|未选择| C[提示选择数据库]
    B -->|已选择| D[保存用户消息到聊天历史]
    
    D --> E[语义搜索获取相关Schema]
    E --> F[向量数据库查询]
    F --> G[相关性评分与表关联推断]
    G --> H[构建Schema上下文]
    
    H --> I[调用LLM生成SQL]
    I --> J[使用Semantic Kernel插件]
    J --> K[SQL安全检查]
    
    K -->|查询语句| L[自动执行SQL]
    K -->|操作语句| M[仅生成SQL<br/>不自动执行]
    
    L --> N{执行是否成功}
    N -->|成功| O[返回查询结果]
    N -->|失败| P[SQL优化]
    
    P --> Q[使用错误信息优化SQL]
    Q --> R[重新执行优化后SQL]
    R --> S[返回最终结果]
    
    M --> T[提示手动执行]
    O --> U[保存响应到聊天历史]
    S --> U
    T --> U
    U --> V[显示结果给用户]
    
    style A fill:#e1f5fe
    style V fill:#e8f5e8
    style K fill:#fff3e0
    style P fill:#fce4ec

Loading

Schema训练与向量搜索流程

flowchart TD
    A[数据库连接配置] --> B[Schema训练服务]
    B --> C[提取数据库表结构]
    C --> D[获取表/列/外键信息]
    D --> E[生成表描述文本]
    
    E --> F[文本向量化]
    F --> G[存储到向量数据库]
    
    G --> H{向量存储类型}
    H -->|SQLite| I[SQLiteMemoryStore]
    H -->|PostgreSQL| J[PostgresMemoryStore with pgvector]
    
    I --> K[Schema训练完成]
    J --> K
    
    K --> L[等待用户查询]
    L --> M[语义搜索]
    M --> N[相关性匹配]
    N --> O[返回相关表结构]
    
    style A fill:#e3f2fd
    style F fill:#f3e5f5
    style G fill:#e8f5e8
    style M fill:#fff3e0

Loading

系统架构图

flowchart LR
    subgraph "用户界面层"
        A[Blazor前端页面]
        B[数据库连接选择]
        C[聊天输入框]
        D[SQL结果展示]
    end
    
    subgraph "服务层"
        E[ChatService<br/>聊天服务]
        F[SchemaTrainingService<br/>Schema训练服务]
        G[SemanticService<br/>语义服务]
        H[SqlExecutionService<br/>SQL执行服务]
    end
    
    subgraph "数据访问层"
        I[DatabaseConnectionRepository<br/>数据库连接仓储]
        J[ChatMessageRepository<br/>聊天消息仓储]
        K[DatabaseSchemaRepository<br/>Schema仓储]
        L[SchemaEmbeddingRepository<br/>向量嵌入仓储]
    end
    
    subgraph "外部服务"
        M[OpenAI API<br/>LLM服务]
        N[向量数据库<br/>SQLite/PostgreSQL]
        O[业务数据库<br/>多种数据库支持]
    end
    
    A --> E
    B --> I
    C --> E
    D --> H
    
    E --> F
    E --> G
    E --> H
    E --> J
    
    F --> K
    F --> L
    G --> N
    H --> I
    H --> O
    
    E --> M
    G --> M
    
    style A fill:#e1f5fe
    style E fill:#f3e5f5
    style M fill:#fff3e0
    style N fill:#e8f5e8

Loading

更多Rag场景可查看 AntSK

项目地址：AntSK

体验环境：

Demo地址

账号：test

密码：test

也欢迎大家加入我们的微信交流群，可以添加我的微信：antskpro 发送进群