一文搞懂大模型提示工程（Text2SQL、Text2API）

Python编程杰哥

于 2025-04-11 15:51:45 发布

阅读量612

点赞数 27

文章标签： oracle 数据库 linux 服务器网络神经网络人工智能

本文链接：https://blog.csdn.net/xx_nm98/article/details/147146488

版权

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。 WTH is Prompt Engineering? - DEV Community

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。 Understanding the Ways for Text-to-SQL with LLMs | by Elmo | Generative AI

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。

SQL | 🦜️🔗 LangChain

from langchain.utilities import SQLDatabasefrom langchain.chains import SQLDatabaseChainfrom langchain_community.llms import OpenAIdb = 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。

No More Text2SQL, It's Now RAG2SQL! | by Angelina Yang | Medium

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。*****

Pseudo Function Calling for Gemini API Through Prompt Engineering | by Kanshi Tanaike | Google Cloud - Community | Medium

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 APIChainfrom langchain_community.llms import OpenAIllm = 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）。**** NL2SQL技术方案系列(1)：NL2API、NL2SQL技术路径选择；LLM选型与Prompt工程技巧，揭秘项目落地优化之道- 汀、人工智能- 博客园

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述