1. 引言

在传统开发中，查询数据库通常需要编写 SQL 语句，这对非技术用户来说门槛较高。借助 SpringAI 框架，我们可以构建一个智能 SQL 助手，让用户通过自然语言直接查询数据库，大幅降低数据访问门槛。

本文将带你从零搭建一个基于 SpringAI 的 SQL 智能助手，实现「说人话，查数据」的效果。

2. 技术栈与前置准备

2.1 技术选型

组件	版本	说明
Spring Boot	3.2+	应用框架
SpringAI	1.0.0-M6+	AI 集成框架
JDK	17+	运行环境
MySQL / H2	任意	目标数据库
OpenAI / 兼容 API	—	LLM 服务

2.2 核心依赖

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>1.0.0-M6</version>
</dependency>

3. 核心实现思路

整个流程分为三步：

1. 获取数据库 Schema：读取表结构、字段、类型、注释等信息
2. 构造 Prompt：将 Schema 与用户自然语言问题组装成结构化提示词
3. 调用 LLM 生成 SQL：由 AI 模型返回对应的 SQL 查询语句

4. 代码实现

4.1 数据库 Schema 读取

@Component
public class SchemaReader {

    @Resource
    private JdbcTemplate jdbcTemplate;

    public String getTableSchema(String tableName) {
        String sql = """
            SELECT COLUMN_NAME, DATA_TYPE, COLUMN_COMMENT
            FROM INFORMATION_SCHEMA.COLUMNS
            WHERE TABLE_NAME = ?
            """;
        List<Map<String, Object>> columns = jdbcTemplate.queryForList(sql, tableName);
        
        StringBuilder sb = new StringBuilder();
        sb.append("表名：").append(tableName).append("\n");
        for (Map<String, Object> col : columns) {
            sb.append("- ").append(col.get("COLUMN_NAME"))
              .append(" (").append(col.get("DATA_TYPE")).append(")")
              .append("：").append(col.get("COLUMN_COMMENT")).append("\n");
        }
        return sb.toString();
    }
}

4.2 Prompt 模板设计

public class SqlPromptTemplate {

    public static String build(String schema, String userQuestion) {
        return """
            你是一个 SQL 专家。根据以下数据库表结构，将用户的自然语言问题转换为 SQL 查询语句。
            
            表结构：
            %s
            
            用户问题：%s
            
            请只返回 SQL 语句，不要额外解释。
            """.formatted(schema, userQuestion);
    }
}

4.3 核心服务类

@Service
public class SqlAssistantService {

    @Resource
    private ChatClient chatClient;
    @Resource
    private SchemaReader schemaReader;

    public String ask(String question, String tableName) {
        String schema = schemaReader.getTableSchema(tableName);
        String prompt = SqlPromptTemplate.build(schema, question);
        return chatClient.prompt(prompt).call().content();
    }
}

4.4 Controller 接口

@RestController
@RequestMapping("/api/sql-assistant")
public class SqlAssistantController {

    @Resource
    private SqlAssistantService sqlAssistantService;

    @PostMapping("/ask")
    public String ask(@RequestParam String question,
                      @RequestParam String tableName) {
        return sqlAssistantService.ask(question, tableName);
    }
}

5. 配置与运行

5.1 application.yml

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: https://api.openai.com
      chat:
        options:
          model: gpt-4o-mini
  datasource:
    url: jdbc:mysql://localhost:3306/your_db
    username: root
    password: your_password

5.2 启动与测试

启动 Spring Boot 应用后，使用 curl 测试：

curl -X POST "http://localhost:8080/api/sql-assistant/ask" \
  -d "question=查询最近7天的订单数量" \
  -d "tableName=orders"

返回示例：

SELECT COUNT(*) AS order_count
FROM orders
WHERE order_date >= CURDATE() - INTERVAL 7 DAY;

6. 进阶优化

6.1 多表关联

对于涉及多表的查询，可以一次性传入多个表的 Schema：

public String getMultiTableSchema(List<String> tableNames) {
    return tableNames.stream()
        .map(this::getTableSchema)
        .collect(Collectors.joining("\n---\n"));
}

6.2 安全校验

为防止 SQL 注入或危险操作，可以在执行前做校验：

public boolean isReadOnlyQuery(String sql) {
    String trimmed = sql.trim().toUpperCase();
    return trimmed.startsWith("SELECT") || trimmed.startsWith("WITH");
}

6.3 结果缓存

对相同问题可做缓存，减少 LLM 调用次数：

@Cacheable(value = "sqlCache", key = "#question + ':' + #tableName")
public String ask(String question, String tableName) {
    // ...
}

7. 总结

本文通过 SpringAI 框架实现了一个 SQL 智能助手，核心思路是：读取 Schema → 构造 Prompt → 调用 LLM → 生成 SQL。你可以在此基础上扩展多表查询、安全校验、缓存优化等能力，打造一个生产级的自然语言查询工具。

下一步可以尝试：

• 接入更多数据库类型（PostgreSQL、Oracle 等）
• 支持 DDL 语句生成
• 集成前端对话界面