优化思路：从「技术罗列」转向「价值+场景驱动」

原文档的核心问题是“重技术描述、轻用户感知”，开发者/使用者第一眼看不到「这个项目能解决我的什么问题」「用起来有多爽」，反而被密集的技术细节劝退。以下是优化后的版本，兼顾技术深度和吸引力，更贴合开发者社区的阅读习惯：

DataWhisperer V2：让你的 Text-to-SQL 应用从「能用」变「好用且可控」

🔥 从 MVP 到工程级产品：Prompt 可版本化、SQL 能自修复、效果可量化验证

还在为 Text-to-SQL 踩这些坑？
✖ 改一行 Prompt 就要动业务代码，改坏了还回滚不了
✖ 大模型生成的 SQL 报错就直接摆烂，用户体验拉胯
✖ 改完 Prompt 全靠“感觉”判断效果，不知道有没有越改越差
✅ DataWhisperer V2 全给你解决了！

👀 先看核心亮点（5秒get价值）

能力	解决你的什么痛点	落地效果
📝 PromptOps 提示词治理	改 Prompt 不用动代码、版本可回滚、支持A/B测	新增独立 Prompt 模板库，按场景+版本管理，业务代码只传“使用哪个Prompt”
🔧 SQL 自动修复	生成的 SQL 报错不直接跪，自动救一次	字段/表名写错、语法不兼容等问题，修复后成功率提升（实测基础用例100%通过）
📊 基础评测集	告别“凭感觉判断效果”，用数据说话	5个典型业务场景一键评测，输出通过率，防止功能退化

🚀 为什么 V2 值得用？

V1 完成了「自然语言查数闭环」（提问→生成SQL→出图表→给结论），但它只是个“能跑的demo”；
V2 把它升级成「可落地的工程化产品」—— 解决大模型应用最核心的3个工程化问题：可治理、可追踪、可验证。

场景化案例：SQL 报错了怎么办？

👉 原场景（V1）：用户问“各地区订单数量”，模型把region_name写成region_names，直接报错，用户一脸懵；
👉 V2 优化后：

✅ 最多修复1次（不浪费Token），且修复后仍过安全校验，既兜底又不丢安全边界。

📂 PromptOps：把提示词从代码里“解放”出来

V1 的 Prompt 写死在代码里，改一行都要重启服务；V2 把 Prompt 做成「版本化模板库」，结构清晰到新手都能改：

prompts/
  sql_generation/v1/  # 自然语言转SQL
  sql_repair/v1/      # SQL报错修复
  insight_summary/v1/ # 业务结论总结
  chart_recommendation/v1/ # 图表推荐

✨ 核心优势：

• 改 Prompt 只改模板文件，不用碰业务代码；
• 版本回滚一键搞定（比如 sql_generation/v1 效果差，切回 v1 就行）；
• PromptRegistry 自动渲染模板，还会检查变量缺失，避免低级错误。

用起来超简单（伪代码）：

# 业务代码只关心“用哪个Prompt”，不关心文件在哪
rendered = registry.render_messages(
    "sql_generation",
    version="v1",
    variables={"schema_prompt": schema_prompt, "question": question},
)

📈 评测集：效果好不好，跑个脚本就知道

不用再靠“感觉”判断功能好坏！内置5个典型Text-to-SQL场景（销售额趋势、客单价、订单量等），一键评测：

# 执行评测
python -m app.evals.text_to_sql

# 输出结果（直观看到通过率）
{
  "total": 5,
  "passed": 5,
  "failed": 0,
  "pass_rate": 1.0
}

每个评测用例都精准定义：用户问题、期望SQL片段、禁止的危险操作、期望图表类型，比如：

{
  "id": "region_order_count",
  "question": "查询各地区订单数量",
  "expected_sql_contains": ["r.region_name", "COUNT(DISTINCT o.order_id) AS order_count"],
  "expected_chart_type": "bar",
  "must_be_safe": true
}

后续还能扩展成「真实LLM+测试库」评测，对比不同Prompt版本的效果，彻底量化优化方向。

🛠️ 开箱即用，测试拉满

不用怕踩坑！V2 已经做了全维度验证：

• pytest：27个用例全过（覆盖SQL安全校验、Prompt渲染、修复链路等）；
• ruff：代码规范全通过；
• 基础评测：5/5通过。

🎯 V1 vs V2：不止是功能升级，更是思维升级

版本	核心目标	给你的价值
V1	跑通Text-to-SQL闭环	验证“自然语言查数”可行
V2	工程化落地能力	让你的应用能管理、能追踪、能持续优化

🌟 后续计划（和你一起迭代）

1. 增强评测体系：对接真实LLM+测试库，输出可视化评测报告；
2. 新增RAG指标口径库：解决“GMV/客单价怎么算”这类业务指标定义问题；
3. MCP工具化+多智能体：把Schema分析、SQL生成、安全校验拆成独立智能体，更灵活。

📥 立即体验

# 克隆项目
git clone https://github.com/chenpan979/DataWhisperer.git
# 运行基础评测
python -m app.evals.text_to_sql
# 启动服务（体验Text-to-SQL全流程）
python app/main.py

如果你也在做Text-to-SQL、大模型应用工程化、PromptOps，欢迎Star+PR，一起把这个项目从“能用”做到“好用”！

---