过去，领导、决策者或业务人员想要统计个数据、做个报告，总是绕不开技术人员的支持。领导需要将想法告诉技术人员，技术人员再将领导的想法转成技术语言（例如：sql），然后对数据进行统计分析，以满足领导的期望。整个过程非常低效！
随着大模型能力逐步强大、场景越来越丰富，从Text到sql或者从Chat到sql的方案也十分火热，这个方案主要是利用大模型将自然语言转化为可以执行的Sql语句，进行数据分析，并根据结果实现报告生成或者可视化展示。这种方案提高了领导们随时想要报告的效率，缓解了应对向上汇报的焦虑，在许多决策支持、大屏展示等场景中非常见效。
本文主要收集了几个比较优秀的Text2Sql相关的开源项目或者资源，供借鉴。
GitHub Star 14K
https://github.com/chat2db/chat2db
Chat2DB旨在成为一个通用的SQL客户端和报告工具，从一开始就包含AI功能。它支持几乎所有比较流行的数据库、缓存，包括：
MySQL
PostgreSQL
H2
Oracle
SQLServer
SQLite
MariaDB
ClickHouse
DM
Presto
DB2
OceanBase
Hive
KingBase
MongoDB
Redis
Snowflake
此外，chat2DB还提供了它的7B开源模型：
https://modelscope.cn/models/Chat2DB/Chat2DB-SQL-7B
02
SQL Chat
SQL Chat是一个基于聊天的SQL客户端，您可以使用自然语言与数据库进行通信，以实现查询、修改、添加和删除等操作。
它目前支持MySQL，Postgres，SQL Server和TiDB无服务器。
03
Vanna
https://github.com/vanna-ai/vanna
Vanna是一个开源的开源Python RAG（检索增强生成）框架。Vanna通过整合上下文（元数据、定义、查询等）以及领域知识文档来训练RAG模型。在Vanna框架的基础上可以使用现有工具（例如Streamlit、Slack）构建自定义可视化UI，实现对话结果的可视化。
Vanna通过两个简单的步骤进行操作：
（1）基于数据训练RAG“模型”。
（2）提出问题返回SQL查询，并且可以将查询配置为在数据库上自动运行。
04
Dataherald
https://github.com/Dataherald/dataherald
Dataherald是一个自然语言到SQL引擎，为在关系数据库上的企业级问答而构建。它允许您从数据库中设置一个API，可以用简单的对话进行问答。
他的功能包括：
允许业务用户从数据仓库中获得结果，而无需通过数据分析师
在SaaS应用程序中启用来自生产数据库的Q+A
从您的专有数据创建ChatGPT插件
Dataherald开源代码库包含四大模块：引擎、管理控制台、企业后端和Slackbot。其中，核心引擎模块包含了LLM代理、向量存储和数据库连接器等关键组件。Dataherald 代码的亮点之一是模块化设计，将不同的功能模块封装成独立的类和方法，便于代码维护和扩展，也使得 Dataherald 可以轻松地集成新的工具和功能。
05
WrenAIGitHub Star 1K
https://github.com/Canner/WrenAI
06
https://github.com/tencentmusic/supersonic
模型知识库(Knowledge Base)： 定期从语义模型中提取相关的模式信息，构建词典和索引，以便后续的模式映射。
模式映射器(Schema Mapper)： 将自然语言文本在知识库中进行匹配，为后续的语义解析提供相关信息。
语义解析器(Semantic Parser)： 理解用户查询并抽取语义信息，生成语义查询语句S2SQL。
语义修正器(Semantic Corrector)： 检查语义查询语句的合法性，对不合法的信息做修正和优化处理。
语义翻译器(Semantic Translator)： 将语义查询语句翻译成可在物理数据模型上执行的SQL语句。
问答插件(Chat Plugin)： 通过第三方工具扩展功能。给定所有配置的插件及其功能描述和示例问题，大语言模型将选择最合适的插件。
Chat BI的Text2SQL生成通过检索语义数据模型得到增强。
Headless BI的查询接口通过支持自然语言API得到拓展。
通过SuperSonic的问答对话界面，用户能够使用自然语言查询数据，系统会选择合适的可视化图表呈现结果。SuperSonic不需要修改或复制数据，只需要在物理数据模型之上构建逻辑语义模型（定义指标/维度/实体/标签，以及它们的业务含义、相互关系等），即可开启数据问答体验。与此同时，SuperSonic被设计为可插拔的框架，采用Java SPI机制来扩展定制功能。
07
Awesome Text2SQL
https://github.com/eosphoros-ai/Awesome-Text2SQL
Awesome Text2SQL是一套主要针对LLMs、Text2SQL、Text2DSL、Text2API、Text2Vis等方面的精选教程资源。它提供的大多数模型都是LLM+Text2SQL，每个模型都有论文、代码、数据集的链接。是一个Text2SQL比较好的资源库。
08
DuckDB-NSQL
https://github.com/NumbersStationAI/DuckDB-NSQL
DuckDB-NSQL是一个由MontherDuck和Numbers Station为DuckDB SQL分析任务构建的Text 2SQL LLM。可以帮助用户利用DuckDB的全部功能及其分析潜力，而不需要在DuckDB文档和SQL shell之间来回切换。
09
Langchain
https://python.langchain.com/v0.1/docs/use_cases/sql/
Langchain是一个比较知名的大模型应用框架，但其实，Langchain也可以让我们在自己在SQL数据库上构建一个问答链代理。
可以将LangChain的SQL代理添加到链上。它不仅可以根据数据库的模式和内容回答问题，还可以通过运行生成的查询、捕获回溯，并从错误中恢复，重新生成。
最后
由于大模型的发展是一个逐步增强的过程，在这个过程中，许多大模型还存在不确定、不稳定。在使用基于大模型的Text2Sql方案所生成的SQL查询还需要格外小心验证，以最小化应用风险。
尽量做到：清楚描述数据库上下文、限制数据查询输出的大小、在执行之前验证和检查生成的SQL语句。
