开源 Text-to-SQL 工具哪家强？

显示全部楼层

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;background: rgb(15, 76, 129);color: rgb(255, 255, 255);">解放你的数据：开源 Text-to-SQL 工具 Vanna 让 SQL 变得简单

ingFang SC";font-size: 14px;line-height: 1.75;letter-spacing: 0.1em;color: rgb(63, 63, 63);">ChatGPT 引爆大模型浪潮以来，在Text-to-SQL 这个细分领域涌现出一批优秀的开源项目，为广大开发者和数据爱好者带来了福音。让我们一起回顾一下：

•YC孵化的Text-to-SQL未来之星：Defog开源 SQLCoder模型，打造企业级数据分析利器
•DB-GPT：蚂蚁开源的Text-to-SQL利器
•WrenAI：开源Text-to-SQL引擎让 SQL触手可及，数据分析的“GPT”时刻来了？
•Dataherald 核心 Text-to-SQL 引擎全面开源！

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.1em;color: rgb(63, 63, 63);">今天，我们要介绍的 Vanna 同样是一款优秀的开源 Text-to-SQL 工具，它致力于打造更加智能、易用、高效的 AI SQL 体验，即使不懂 SQL 的“小白”也能轻松上手，玩转数据分析！

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;border-left: 3px solid rgb(15, 76, 129);color: rgb(63, 63, 63);">Vanna：你的 AI SQL 智能助手

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">Vanna是一个基于 MIT 许可的开源 Python RAG（检索增强生成）框架，它将自然语言问题转化为可执行的 SQL 查询，即使不懂 SQL 的“小白”也能轻松上手，玩转数据分析！

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;color: rgb(15, 76, 129);">Vanna 如何工作？

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">Vanna 的工作原理就像一位经验丰富的“数据翻译官”，它经过专业的训练，能够理解你的“语言”和数据库的“方言”。

1.训练：就像一位翻译需要学习语言一样，Vanna 也需要先学习数据库的“语言”。用户可以使用 DDL 语句、文档或现有 SQL 查询对 Vanna 进行训练，让它掌握数据库的结构、业务术语和查询模式。Vanna 会将训练数据转化为向量嵌入，存储在向量数据库中，并建立元数据索引，以便于后续检索。
2.提问：当你用自然语言提出问题时，Vanna 会像一位经验丰富的翻译官一样，先理解你的意思，然后将其翻译成数据库能够理解的 SQL 查询语言。
3.生成 SQL：Vanna 利用强大的 LLM（例如 GPT-4），结合上下文信息，将自然语言问题转化为精准的 SQL 查询语句。
4.执行 & 展示：数据库收到 Vanna 翻译的 SQL 查询后，就会执行查询，并将结果返回给 Vanna。Vanna 会将查询结果整理成易于理解的格式，例如表格或图表，呈现给你。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;color: rgb(15, 76, 129);">Vanna 的技术架构：

Vanna 采用模块化设计，主要包含以下核心组件：

•存储：Vanna 支持多种向量数据库作为存储后端，例如默认的 ChromaDB、Pinecone、Postgres with pgvector extension 等，用于存储训练数据和元数据索引，实现高效语义搜索。
•LLM：Vanna 支持集成多种 LLM，例如 GPT-4、GPT 3.5、Google Bison 等，用户可以根据需求选择最合适的模型，进行 SQL 生成和相关任务。
•数据库：Vanna 支持连接任何 SQL 数据库，例如 Snowflake、BigQuery、Postgres、Redshift、SQL Server 等，用户的数据始终安全存储在本地环境中。
•用户界面：Vanna 提供多种用户界面，包括 Jupyter Notebook、Streamlit 应用程序、Flask 应用程序和 Slackbot，用户可以根据需求选择最合适的交互方式。

Vanna 的优势：

•高准确率：Vanna 的上下文感知 SQL 生成方法，能够显著提高 SQL 生成的准确率，尤其是在处理复杂数据库和非技术用户问题时。

•一项针对不同 LLM 和上下文策略的测试表明，使用 Vanna 的上下文相关示例策略，可以将 SQL 生成准确率从 ~3% 提升至 ~80%！

•高安全性：Vanna 不会将数据库内容发送到外部 LLM 或向量数据库，所有数据处理都在本地环境中进行，确保数据安全。
•高效率：Vanna 的语义搜索和 LLM 加速技术，能够快速生成和执行 SQL 查询，提高数据分析效率。
•可扩展性：Vanna 的模块化设计，允许用户根据自己的需求进行定制化配置，例如选择不同的 LLM 或向量数据库。
•易用性：Vanna 提供友好的用户界面和丰富的文档，即使不懂 SQL 的用户也能轻松上手。
•开源免费：Vanna 是一个开源项目，你可以在GitHub上找到它，并根据自己的需求进行修改和定制。

上下文的力量：AI SQL 准确性的关键

AI SQL 的关键挑战在于如何生成准确的 SQL 查询。仅仅依靠 LLM 本身的能力是不够的，因为 LLM 并不知道用户数据库的具体结构和内容。

为了解决这个问题，Vanna 采用了一种新颖的上下文感知 SQL 生成方法，利用向量数据库和语义搜索技术，根据用户提出的问题，动态地从数据库模式、文档和先前执行的 SQL 查询中检索最相关的上下文信息，并将其提供给 LLM，帮助 LLM 更好地理解用户意图。

三种上下文策略：

1.仅使用数据库模式：就像只给翻译提供了一本字典，却没有告诉他文章的背景和内容，翻译结果可想而知。
2.使用静态示例：就像给翻译提供了一些例句，但例句可能与实际要翻译的句子相差甚远，翻译结果仍然不尽如人意。
3.使用上下文相关的示例：就像给翻译提供了与要翻译的句子相关的文章和背景信息，翻译结果自然更加准确。

Vanna 采用了第三种上下文策略，即使用上下文相关的示例，这也是它取得高准确率的关键所在。

Vanna：总有一款适合你

为了满足不同用户的需求，Vanna 提供了灵活的部署选项：

1.本地部署：如果你对数据安全要求极高，或者需要进行深度定制，可以选择将 Vanna 部署在本地服务器上。
2.托管版本：如果你希望快速上手，并且不需要进行太多配置，可以选择使用 Vanna 的托管版本。

开启 AI SQL 新时代！

还在等什么？快来体验 Vanna，解放你的数据分析潜能吧！

•GitHub 链接：https://github.com/vanna-ai/vanna
•官方文档：https://vanna.ai/docs/