RAG（检索增强生成）系统通过利用大语言模型（LLM）并将其与特定数据源集成，使用户可以使用自然语言提出问题。
我将在本文重点介绍 RAG 的一个具体应用：将用户的自然语言转化成 SQL 查询并在数据库引擎上执行，最后以自然语言的形式返回结果。
最终我们将会得到一个能执行单表和联表查询的 SQL 助手：
我们的主要技术栈：
LangChain 用于连接 LLM 与数据库 LangGraph 用于管理多步骤工作流和内存 Streamlit 作为聊天机器人用户界面 以 OpenAI API 兼容的形式调用阿里千问模型
用于 SQL 的 RAG 系统
SQL 的 RAG 系统通过将 LLM 与真实数据库上下文结合，帮助生成更准确的结果。LLM 不仅仅依赖通用训练数据，而是利用检索到的上下文生成精确、实时的响应。这些上下文来自数据库的模式元数据。
当用户提出问题时，系统会自动将上下文与问题一起作为提示的一部分提供。这帮助 LLM 理解 SQL 方言、可用表、关系和列数据，从而构建语法和语义正确的查询。
这些查询随后提交给数据库引擎，检索到的结果被转化为自然语言。
系统概览：工作原理
下图展示了整体系统架构——用户、数据库和大型语言模型如何通过应用层交互。
工作原理：内部工作流程和工具
应用层内的工作流程通常分为以下几个阶段：
工作流程背后的关键工具
LangChain 是一个框架，旨在帮助将 LLM 与外部系统（如 SQL 数据库、API 和文件存储）集成，简化 AI 应用的构建。
LangGraph 是 LangChain 的扩展，是一个编排框架，支持有状态的工作流程，允许系统在工作流程的多个步骤中保持上下文。
Streamlit 是一个开源 Python 库，可用于构建简单、交互式的 Web 应用，完全使用纯 Python。
技术细节
现在让我们逐步了解其构建过程——从项目设置到数据库连接、模型编排和前端集成。
项目结构和前提条件
核心代码
db_connections.py：负责管理数据库链接，以及获取数据库中表相关重要元数据的代码。
sql_query_graph.py：定义了从接收用户问题、编写 SQL 查询、执行查询到生成最终答案的 4 个核心函数，最后使用 LangGraph 将这 4 个核心函数组织成逻辑工作流。
1. write_query：生成语法正确的 SQL 查询。
使用选定的数据库，提取其方言和表信息。 使用 SQL 特定的提示模板指导 LLM 生成与数据库结构匹配的 SQL 查询。
4. answer_question：创建基于图的执行流程，按逻辑顺序连接每个函数：
write_query → execute_query → generate_answer
使用 StateGraph 创建图工作流，编译并运行。
