一文搞懂大模型提示工程（Text2SQL、Text2API）

大模型的提示工程（Prompt Engineering） 是通过精心设计输入文本（Prompt），引导大语言模型（LLM）生成符合预期输出的技术。在Text2SQL（自然语言转SQL）和Text2API（自然语言调接口）场景中，提示工程的核心目标是将自然语言问题转化为准确的 SQL 查询和具体的 API 调用参数。

Text2SQL和Text2API的提示工程本质是是将领域知识显式化，通过角色定义和业务知识注入（如数据库Schema、API文档），让模型“理解”自然语言背后的真实意图，并将其转化为可执行的结构化指令。

技术交流

一、Text2SQL

Text2SQL（文本转SQL）是什么？Text2SQL是一种将自然语言描述的查询需求，自动转换为结构化查询语言（SQL）的技术。

LangChain提供SQLDatabaseChain，支持将数据库Schema动态注入提示词，实现端到端的SQL生成与执行。LangChain可以自动提取数据库表结构（Schema）作为上下文。支持多轮对话修正SQL语句。

from langchain.utilities import SQLDatabase
from langchain.chains import SQLDatabaseChain
from langchain_community.llms import OpenAI
db = SQLDatabase.from_uri("sqlite:///sales.db")
llm = OpenAI(temperature=0)
chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)
response = chain.run("2024年销售额超过100万的产品是什么？")

如何实现Text2SQL？通过自然语言处理技术进行语义解析（包括实体识别、关系抽取、意图理解），结合预加载的数据库Schema信息，利用大语言模型（LLM）生成符合语法规范的SQL语句。

1. 输入解析：用户提问 → 提取关键实体（表名、字段、条件）。

• 例：“统计2024年销售额超过100万的产品” → 提取“销售额（sales）”、“产品（product）”、“年份（year=2024）”、“条件（>1,000,000）”。

2. Schema绑定：结合数据库表结构（Schema），明确字段和表关系。

• 关键：在Prompt中提供Schema，如：

    表orders: id (int), product_id (int), sales (float), date (date)  
    表products: id (int), name (str), category (str)  

3. SQL生成：模型根据Schema和用户意图生成查询语句。

SELECT p.name, SUM(o.sales) AS total_sales  
FROM orders o  
JOIN products p ON o.product_id = p.id  
WHERE YEAR(o.date) = 2023  
GROUP BY p.id  
HAVING total_sales > 1000000;  

4. 结果验证：执行SQL并返回数据，若失败则优化Prompt或追问用户。

二、Text2API

Text2API（文本转API调用）是什么？Text2API（文本转API调用） 是一种将自然语言描述的用户需求自动转换为对应用程序接口（API）的调用请求的技术。

LangChain提供APIChain，支持将API文档（如OpenAPI/Swagger）嵌入提示词，引导大模型生成请求参数，可以支持多步骤调用（如先查询用户ID，再调用订单API）。

from langchain.chains import APIChain
from langchain_community.llms import OpenAI
llm = OpenAI(temperature=0)
api_docs = """
API文档：
- 发送邮件：POST /send_email  
  参数：to（收件人）, subject（主题）, content（内容）  
- 查询天气：GET /weather  
  参数：city（城市）, date（日期）  
"""
chain = APIChain.from_llm_and_api_docs(llm, api_docs, verbose=True)
response = chain.run("给Allen发邮件，主题是会议提醒，内容为明天下午2点开会。")

如何实现Text2API？通过自然语言处理技术进行语义解析（含意图识别、实体抽取、上下文理解），结合预加载的API文档信息，利用大语言模型（LLM）生成符合语法规范的API调用请求。

1. API目录管理：维护API文档（端点、参数、权限）。

• 例：邮件API文档：

    POST /send_email  参数：to (str), subject (str), content (str)  权限：需用户OAuth令牌  

2. 意图识别：模型解析用户指令，匹配目标API。

• 例：“给Allen发邮件，主题是项目开发进度，内容为‘本周完成80%’” → 调用 /send_email。

3. 参数填充：提取并验证参数（如邮箱、内容）。

{  
  "endpoint": "/send_email",  
  "params": {"to": "zhangsan@company.com", "subject": "项目进度", "content": "本周完成80%"}  
}  

4. 执行与反馈：调用API并返回结果（成功/失败原因）。