在我们之前的文章中我们已经了解了两种预检索的优化策略。比如怎么“翻译”用户那七零八落的问题，还有怎么做一个聪明的“导航员”，把问题带到正确的数据源。
那么，现在问题来了，我们知道去哪里找数据了，那我们如何查不同类型的数据呢？
这就是我们今天想聊的另一种预检索优化策略：查询构建（Query Construction）。
在本文中，我们将聚焦于如何将用户的自然语言问题，翻译成数据源能理解的那套"行话"。比如SQL语言，或者Cypher查询语句。
什么是查询构建？
传统那套RAG，把问题变成一串向量数字，再去另一堆向量数字里找最相似的。这招在处理非结构化的文字，比如博客、文章时，确实管用。我得承认，这很巧妙。
但世界不是只有文字啊。
要是我们面对的是一张冷冰冰的Excel表，或是一座结构严密、壁垒分明的关系型数据库呢？我第一次遇到这个问题时，真的有点懵。你总不能跟一张员工薪资表谈“语义相似”吧？它有它的脾气，有行有列，有不容置疑的数据类型。跟它打交道，你得说它的“方言”——那些结构化的查询语言。
这感觉，就像从一个诗人，突然要转变成一个会计。
查询构建技术流派
1. Text-to-SQL -- 从自然语言到SQL转换
企业里最常见的就是这种“会计式”的数据了。MySQL、PostgreSQL... 它们就像一个个巨大的账本，记录着一切。
一个真正好用的RAG系统，我觉得它不应该偏科，不能只会读诗（非结构化文档），也得会算账（结构化数据）。
如果能让系统自己学会把我们的日常白话，转换成SQL，那该多好。用户只管提问，系统默默地把查询、整合、生成答案这些脏活累活全干了。这听起来才够智能，不是吗？
要做到这一点，其实没那么玄乎。关键就两步：
1. 数据库描述： 你得先让大模型看明白数据库长什么样，有哪些表，表里有哪些字段。 2. 少量示例： 在提示词里给它几个标准提问的例子，它就能有样学样。
用一个简单的实现流程代码来理解：
1. 创建一个 SQLite数据库，并创建一个包含一些示例数据的sales_database表。import sqlite3
def__init__(self, db_path="sales_database.db"):
"""
初始化转换器
Args:
db_path (str): SQLite数据库文件路径
"""
self.db_path = db_path
self.conn = None
self.cursor = None
defconnect_database(self):
"""连接数据库"""
try:
self.conn = sqlite3.connect(self.db_path)
self.cursor = self.conn.cursor()
print(f"✅ 成功连接数据库: {self.db_path}")
except Exception as e:
print(f"❌ 数据库连接失败: {e}")
raise
defcreate_sample_database(self):
"""创建示例数据库和数据"""
try:
# 创建销售数据表
self.cursor.execute('''
CREATE TABLE IF NOT EXISTS sales_data (
id INTEGER PRIMARY KEY AUTOINCREMENT,
product_name TEXT NOT NULL,
quantity INTEGER NOT NULL,
sale_date TEXT NOT NULL,
revenue REAL NOT NULL,
region TEXT NOT NULL,
customer_type TEXT NOT NULL
)
''')
# 清空现有数据
self.cursor.execute('DELETE FROM sales_data')
# 插入示例数据
sample_data = [
('iPhone 15', 10, '2023-07-15', 15000.0, '北京', '个人'),
('iPhone 15', 5, '2023-08-10', 7500.0, '上海', '个人'),
('MacBook Pro', 20, '2023-07-20', 40000.0, '广州', '企业'),
('iPhone 15', 15, '2023-09-01', 22500.0, '深圳', '个人'),
('iPad Air', 7, '2023-09-15', 3500.0, '北京', '个人'),
('MacBook Air', 12, '2023-08-25', 12000.0, '上海', '企业'),
('iPhone 14', 8, '2023-07-30', 8000.0, '成都', '个人'),
('iPad Pro', 6, '2023-09-10', 7200.0, '杭州', '企业'),
('MacBook Pro', 3, '2023-08-05', 6000.0, '武汉', '个人'),
('iPhone 15 Pro', 25, '2023-09-20', 37500.0, '北京', '企业'),
]
self.cursor.executemany('''
INSERT INTO sales_data (product_name, quantity, sale_date, revenue, region, customer_type)
VALUES (?, ?, ?, ?, ?, ?)
''', sample_data)
self.conn.commit()
print("✅ 示例数据库和数据创建成功")
# 显示数据统计
self.cursor.execute('SELECT COUNT(*) FROM sales_data')
count = self.cursor.fetchone()[0]
print(f"📊 数据库中共有 {count} 条销售记录")
except Exception as e:
print(f"❌ 数据库创建失败: {e}")
raise2. 使用LLM生成查询 import os
from dotenv import load_dotenv
from langchain_DeepSeek import ChatDeepSeek
from langchain_core.prompts import ChatPromptTemplate
defgenerate_sql(self, natural_query):
"""
使用DeepSeek模型生成SQL查询
将所有SQL生成相关的初始化和配置集中在此函数中，便于理解整个生成流程
Args:
natural_query (str): 自然语言查询
Returns:
str: 生成的SQL语句
"""
try:
print("🔧 步骤1: 初始化DeepSeek模型...")
# 初始化DeepSeek模型
llm = ChatDeepSeek(
model="deepseek-chat",
temperature=0.1, # 设置较低温度确保SQL生成的准确性
max_tokens=1024,
api_key=os.getenv("DEEPSEEK_API_KEY"),
)
print("📋 步骤2: 准备数据库Schema信息...")
# 数据库schema信息
schema_info = """
数据库Schema信息：
表名: sales_data
字段说明:
- id: INTEGER PRIMARY KEY (主键，自增)
- product_name: TEXT (产品名称)
- quantity: INTEGER (销售数量)
- sale_date: TEXT (销售日期，格式：YYYY-MM-DD)
- revenue: REAL (销售收入)
- region: TEXT (销售区域)
- customer_type: TEXT (客户类型：个人/企业)
"""
print("📝 步骤3: 创建SQL生成提示模板...")
# 创建SQL生成提示模板
sql_prompt = ChatPromptTemplate.from_template(
"""
你是一个专业的SQL查询生成专家。基于以下数据库schema，将用户的自然语言查询转换为准确的SQL语句。
{schema}
规则要求：
1. 只生成SQL语句，不要包含任何解释文字
2. 确保SQL语法正确且符合SQLite标准
3. 使用适当的聚合函数、WHERE条件、GROUP BY、ORDER BY等
4. 日期比较请使用字符串比较（如：sale_date >= '2023-07-01'）
5. 产品名称匹配请使用LIKE操作符支持模糊查询
6. 如果查询涉及时间范围，请合理解释季度、月份等时间概念
用户查询: {query}
SQL语句:"""
)
print("⚙️ 步骤4: 格式化提示词...")
# 格式化提示词
formatted_prompt = sql_prompt.format(
schema=schema_info, query=natural_query
)
print("🤖 步骤5: 调用DeepSeek模型生成SQL...")
# 调用DeepSeek模型生成SQL
response = llm.invoke(formatted_prompt)
sql_query = response.content.strip()
print("✨ 步骤6: 清理和格式化SQL语句...")
# 清理SQL语句（移除可能的markdown格式）
if sql_query.startswith("```sql"):
sql_query = sql_query.replace("```sql", "").replace("```", "").strip()
elif sql_query.startswith("```"):
sql_query = sql_query.replace("```", "").strip()
print("✅ SQL生成完成!")
return sql_query
except Exception as e:
print(f"❌ SQL生成失败: {e}")
return None3. 执行生成的 SQL 查询 def execute_sql(self, sql_query):
"""
执行SQL查询
Args:
sql_query (str): SQL查询语句
Returns:
list: 查询结果
"""
try:
self.cursor.execute(sql_query)
results = self.cursor.fetchall()
# 获取列名
column_names = [description[0] for description inself.cursor.description]
return results, column_names
except Exception as e:
print(f"❌ SQL执行失败: {e}")
returnNone, None4. 示例输出 📝 用户查询: 2023年第三季度iPhone 15的总销售收入是多少？
--------------------------------------------------------------------------------
🔄 正在生成SQL查询...
🔧 步骤1: 初始化DeepSeek模型...
📋 步骤2: 准备数据库Schema信息...
📝 步骤3: 创建SQL生成提示模板...
⚙️ 步骤4: 格式化提示词...
🤖 步骤5: 调用DeepSeek模型生成SQL...
✨ 步骤6: 清理和格式化SQL语句...
✅ SQL生成完成!
🔍 生成的SQL: SELECT SUM(revenue) AS total_revenue
FROM sales_data
WHERE product_name LIKE '%iPhone 15%'
AND sale_date >= '2023-07-01'
AND sale_date <= '2023-09-30';
--------------------------------------------------------------------------------
⚡ 正在执行查询...
📊 查询结果:
total_revenue
---------------
82500.0
2. Text-to-Cypher -- 从自然语言到图数据库查询
图数据库是一种基于图结构进行数据存储的形式。这东西跟关系型数据库给人的感觉完全不一样。如果说SQL是精准、严谨的法律条文，那Cypher（图数据库的查询语言）就像是在描绘一张复杂的人际关系网。
它不关心一行行的数据，它关心的是实体（节点）和它们之间千丝万缕的联系（关系）。
• 一个“糖尿病”是个节点。 • 一个“头痛”症状也是个节点。 • “糖尿病”会有“头痛”这个症状，这个“会有”就是一条关系。
这种结构，简直是为了回答那些“打破砂锅问到底”的复杂问题而生的。
比如，你问：“什么药能治那些既会引起头痛、又会引起发烧的病？”
传统的RAG可能会被问傻，因为它很难找到一篇文章正好把这几样东西都凑在一起说。但对图数据库来说，这太自然了。它会沿着“关系”的藤蔓，一步步帮你把答案“摸”出来。
用它的语言Cypher写出来，大概是这个感觉：
// 寻找同时拥有'头痛'和'发烧'两种症状的疾病
MATCH (s1:Symptom {name: '头痛'}), (s2:Symptom {name: '发烧'})
MATCH (disease:Disease)-[:HAS_SYMPTOM]->(s1)
MATCH (disease)-[:HAS_SYMPTOM]->(s2)
// 寻找能够治疗这些疾病的药物
MATCH (drug:Drug)-[:TREATS]->(disease)
// 返回药物和对应治疗的疾病名称
RETURN drug.name, disease.name你看，它思考的方式，是不是更像人脑的联想？把自然语言翻译成Cypher的过程，和翻译成SQL大同小异，都是让大模型去理解、匹配、然后生成。
Text-to-Cypher的实现主要流程是：
• 自然语言理解：你先得让它听懂你的“人话”，明白你到底想干嘛。 • Schema匹配：你给它一张家族图谱（数据库的schema），让它把你话里提到的人和事在图谱上对号入座。 • Cypher生成：等它都搞清楚了，它就会学着用图谱的“官方语言”，写出一句像模像样的查询。 • 查询验证与执行：它还会自己检查一下语法，确认无误后才把问题真正递出去。
由于篇幅原因，详细的可运行示例代码，请访问我的GitHub仓库，仓库链接见文章底部。
3. Self-Query Retriever -- 通过自然语言生成元数据过滤器
在向量数据库这边，我们虽然可以直接用自然语言去查，但也不是没有优化的空间。在该环节中也有一些预检索优化技巧，Self-Query Retriever就是其中一种。
它的想法是：为什么不让用户的提问“自己告诉自己”该怎么查？
它会自动从你的问题里，抠出一些关键词作为“元数据”过滤条件。比如你问“给我找找2023年关于AI的论文”，它会先用“2023”和“AI”这两个硬性条件，把海量的文档筛掉一大批，再在剩下的小范围里去做向量相似度计算。
这不就是我们人脑处理信息的方式吗？先分类，再细看。简单，但极其有效。
同样，这个的完整代码我也放在GitHub上了，有兴趣可以去看看，仓库链接见文章底部。
总结
从SQL的严谨，到Cypher的关联，再到Self-Query的小巧思，我们其实一直在做一件事：努力让机器放下身段，来迁就我们的思考方式。
这不只是个“翻译”工作，我觉得这更像是在驯兽，或者说，是在和一个异类寻找沟通的桥梁。我们希望它能突破那些冷冰冰的数据结构，真正理解我们字里行间那些模糊、跳跃、甚至充满情感的意图。
这个过程还在继续，远没到画上句号的时候。或许，下一代智能应用，真的能像个老朋友一样，听懂我们所有的言外之意吧。谁知道呢。
