这里有个误区，大家看到 SQL + 大模型首先想到就是 nlp2sql，这是两件事，nlp2sql 是调用大模型将用户的问题转化为 SQL 查询， 而今天我们提到的 SQL + 大模型 指的是通过 SQL 调用大模型完成实际的业务数据处理，或者利用 SQL 完成大模型的训练，微调。用户使用大模型就和使用数据一样。
为什么把大模型数据库化是最好的选择
SQL 相比 Python 有其巨大的价值，首先是 SQL语法非常简单，对开发环境要求低，其次是 SQL 已经积累了大量的数据生态，更擅长数据处理，比如 Byzer-SQL 几乎可以瞬间让你可以访问你企业里几乎所有的数据，而如果你用 Python 则很难方便的额做到这一点。
拿到数据后，我可以通过一条SQL语句就让大模型对数据做处理，处理完后再用一条语句就可以写回到业务数据库。
最重要的是，只要是做 IT 的同学，应该都熟悉下面这个经典 IT架构，几乎全球所有有IT的公司也应该都有这个架构：
如果我想把大模型能力嵌入到这个已有的系统该怎么办呢？完美的架构应该是这样的：
对于普通业务而言，实际上就是新添加了一个数据库。而不是像当年引入大数据/AI体系一样，各自都是一趴，忍受高昂的IT费用：
硬件很贵？没关系，我们可以像Oracle一样，提供数据库一体机（多台可自由组合集群）：
前面讲了这么多，来点干货
其实我们去年早就写过一篇文章：
用加持了大模型的 Byzer-Notebook 做数据分析是什么体验
这篇文章介绍了如何在 SQL Notebook 里完成一站式的数据处理，从数据分析到在 Notebook里直接调用大模型生成SQL 或者 利用 SQL 调用大模型对加载到的数据进行分析，还是很酷的。
今天我们简单看看我们这个Byzer数据库都提供了哪些能力。首先一个是一个管理控制台，有点类似 SQL Admin界面。对 Byzer Notebook 也是一个 web 产品，打开网址可用。
进入该界面，你就可以选择合适的模型进行连接:
我这里连接了一个已经启动了 kimi_chat 实例，现在我们就可以在 控制台里直接和他进行多轮交互：
测试模型，验证一些效果。
觉得这个模型不错，现在就可以开始用他对我们已有的数据使用SQL做处理了：
利用 Byzer-SQL 的load 数据为表的能力，你几乎可以对接企业里所有的数据源，还包括各种云对象存储。接着就可以select 语句，直接把模型当做一个函数在里面使用。
如果是应用产品想访问数据库，我们提供了JDBC 和 Rest 两种形态，下面是 Rest 调用方式：
这里我们提供Byzer-SQL 数据库地址，用户就可以通过 Rest 接口发送 SQL语句，和使用传统数据库的方式几乎一致，从而获得大模型的结果。
当然了，Byzer-SQL 数据库也提供了预训练和微调大模型能力，然后再部署成函数的能力。感兴趣的可以看看我们文档：https://docs.byzer.org/#/byzer-lang/zh-cn/
总结
Byzer Data+AI数据库，提供了 Byzer-SQL，实现SQL对大模型的调用，此外还提供完善的控制台使用界面，可以很方便的让用在数据里完成大模型的预训练，微调和部署使用。最后，用户还可以通过Rest 接口访问 Byzer 数据库，方便调用其能力。
把大模型以数据库形态，支持数据存储，数据获取，以及将业务数据和大模型融合，才是最后能让大模型普及到企业业务体系里最重要的一环。
