1、数据库的使用方法，AI学习库的适用场景，配置方法和优化方法。
一、 数据库
1、 关系数据库
前置要了解的一些基础知识
关系数据库。可以想象为Excel的表sheet，每个表是行列组成的二维表格。一个数据库可以包含任意多个数据表（如"学生表"、“课程表”、“成绩表”），表与表之间通过相同的字段（如"学号"）建立联系。
为啥叫“关系”数据库，因为数据之间蕴含着逻辑关系，比如包含、属于等。
元组（记录）：表中的一行即为一个元组，或称为一条记录。
属性（字段）。数据表中的每一列称为一个字段，数据表的设计实际上就是对字段的设计。创建数据表时，为每个字段分配一个数据类型。
属性值。行和列的交叉位置表示某个属性值，如“数据库原理”就是课程名称的 属性值
主码。主码（也称主键或主关键字），是表中用于唯一确定一个元组的数据。关键字用来确保表中记录的唯一性，可以是一个字段或多个字段，常用作一个表的索引字段。每条记录的关键字都是不同的，因而可以唯一地标识一个记录 。
主流的关系数据库有oracle、db2、sqlserver、sybase、mysql等
2 、 SQL语言
（结构化查询语言，Structured Query Language）：是和数据库对话的语言，语法接近自然语言，核心功能依赖少量关键动词，学习和使用相对容易，其包括了增删改查四大核心操作。
示例
实际执行效果
假设学生表数据：
执行 上面的 SQL 后，结果：
3、 连接到数据库
企业的数据库分布在各个信息系统中，我们要想在应用程序（如EPAI）进行数据库操作，需要与数据库进行“点对点连接”。
从技术角度，数据库连接是一套双向的、带状态的通信会话“通路”。
在EPAI中，数据库→添加，就可以打开连接页面，填入数据库类型、数据库名称、数据库实例端点（Endpoint）、端口号、用户名和密码，就可以点击【确认】进行连接了，连接成功后会显示在“数据库管理”页面，连接失败会返回错误提示，如是用户名密码错误还是网络问题。在“数据库管理”页面，我们实际进行的是 “数据库连接”的管理。
二、多用户权限
用户使用数据库应该遵循授权权限最小化的原则，即只授予用户完成工作所需的最小权限。
● 库/表级权限：只授予该用户访问特定数据库或特定表的权 限，而不是 ALL DAT ABASES。
● 库权限：点击 “ 分享” 可 进行尽自己、部分用户、全员的授权。
● 表权限：每个表的权限先默认继承所在“ 库 ”的权限， 然后可以进行自定义调整。
比如：
“高三学生数据库（连接）”已经分享给了张三、李四、王五使用。
高三学生数据库包括 学生表、课程表、成绩表三张表。
初始状态，学生表、课程表、成绩表三张表也分享给了张三、李四、王五使用。
学生表针对分享范围进行了调整，删除了张三，那 么就仅仅李四、王五可以使用该表。
课程表也针对分享范围进行了调整，增加了孙六， 那么李四、王五、孙六可以使用该表。
成绩表也针对分享范围进行了调整，调整为“仅自己”可用，而“高三学生数据库（连接）”是由钱七创 建的，那么成绩表就仅仅钱七能够使用 。
三、 数据库对话（ 数据智能体）
1、LLM生成SQL
Text-to-SQL（自然语言转SQL）是一项人工智能技术，旨在将用户用自然语言（如中文或英文）提出的问题自动转换为数据库可执行的 SQL 查询语句。这项技术的核心目标是降低数据库的使用门槛，让不懂编程或SQL语法的业务人员、分析师也能直接通过对话的方式从数据库中获取数据。得益于LLM的强大语言理解能力和生成能力，基于LLM的Text- to-SQL已经完全碾压了所有其他的方法。
EPAI的数据库对话应用（也可称为数据智能体），核心定位是通过检索增强生成（RAG）+大语言模型（LLM）实现高精度的自然语言转 SQL（Text-to-SQL），让非技术人员也能以自然语言与任意数 据库交互，无需手动编写SQL语句。
应用场景：适用于所有需要自然语言操作数据库的场景，尤其适合企业级部署：
✓ 数据分析团队：数据分析师通过自然语 言快速查询数据，无需编写复杂 SQL，提升工作效率；
✓ 企业内部系统：为业务人员提供自助式数据查询接口，降低数据团队的沟通成本；
✓ 多租户SaaS应用：为不同客户提供 隔离的自然语言数据查询服务，通过细粒度权限确保数据安全；
✓ 数据产品开发：快速构 建自然语言数据查询功能，集成到BI工具、企业级应用中。
广泛的兼容性：兼容主流大模型和数据库
1. 支持的 LLM（大语言模型）：EPAI平台部署可用的所有LLM，包括Deepseek、通义千问、Kimi等；
2. 支持的数据库：市面上热门的SQL数据库，包括MySQL、 PostgreSQL 、MariaDB、SQL Server、Oracle、Dameng 等。
无监督自学习：
所有成功的交互（ 问 题-SQL答案对） 都会被保存到 AI学习库，针对用户问题实现差异化处理 ， 让智能体持续进化：
✓ 全新问题：深度分析数据库 schema、结合示例生成新 SQL；
✓ 相似问题 ：从A I学习库中检索历史查询 模式，快速适配生成新 SQL，大幅提升响应速度。
2、AI学习库
AI学习库包括三类内容，分别是：SQL问答、专业术语、DDL语法，都支持自定义添加。
AI学习库就是给LLM的知识库，会基于用户问题先去AI学习库中查询相关内容，也就是RAG的过程，将查询到的 相关内容（SQL问答、专业术语、DDL语法）结合用户问题一起送给大模型，指导大模型生成更加准确的SQL语法。
SQL问答：用户交互过程中评价为正确的问答对（问题-SQL答案 ）会自动进入SQL问答；自定义添加；
专业术语：自定义添加；
DDL语法：自动获取；自定义添加。
DDL（Data Definition Language，数据定义语言），它是定义数据库结构的 SQL 语法，它的核心作用是创建、修改、删除数据库及数据库对象（如数据库、表、 索引、 视图等），而非操作数据本身。查看DDL语法就可以 了解 一个数据库的结构，可以通过命令自动获取一个数据库的DDL语法。
3、 为什么需要AI学习库，以及如何使用
Text-to-SQL的挑战：自然语言本身的复杂性（模糊、有歧义等 ）、缺乏业务上下文（不懂业务术语）、数据库的复杂性（大量的表，严格的SQL语法）、模型有幻觉、很复杂的查询（嵌套等）。
AI学习库本质上是RAG技术，通过外部知识库来提高大模型生成SQL的准确度。（1）DDL语法让LLM了解表结构和字段约束，同时仅关注与当前相关的内容，而不是全部的DDL语法 ；（2） 专业术语让 LLM 能够了解专业领域和最新的知识；（3）而SQL问答可以让LLM学 习已有的正确经验。
（1）DDL语法
核心价值：
● 让AI 快速获取表间关联关系，避免多表关联错误；
● 让 AI 记住字段类型 /约束，避免生成数据类型不匹配的SQL；
示例：
用户问： “查询重量大于 5 公斤且配送完成时间在 2026年2 月的包裹”
情况1：不使用AI学习库， 大模型靠自有知识生成SQL语法
SELECT * FROM delivery
WHE RE weight ＞ ‘5kg’
AND delive ry_tim e BETWEEN ‘2026-02 ’ AND ‘2026-03’
AND delivery_status = ‘已完成 ’;
执行后直接报 “数据类型不匹配” 错误。
原因：字段类型和约束违规，比如weight是DECIMAL类型，不能加字符串单位
情况2：使用AI学习库，查询到AI学习库中存储的delivery表的 DDL ，包含字段类 型（weight=DECIMAL、delivery_ stat us=TINYINT）、格式要求（d eli very_time=DATETIME）；
A I 检索到这些信息后，自动规避类型错误，生成正确SQL
-- 正确SQL：符合字段类型和约束
SELECT * FROM delivery
WHERE weight > 5 – 无单位，纯数值
AND delivery_time >= ‘ 2026-02-01 00:00:00’ AND delivery _time < ‘20 26-0 3-01 00:0 0:00’ – 完整DATETIME格 式
AND deli very _status = 3; – 数值匹配字段类型
（2）专业术语
核心价值 ：
● 解决技术字段名与业务术语脱节的问题，精准理解非技术用户的提问；
● 模型不懂专业知识和最新的知识，比如并不理解某款游戏中“火男”是指什么含义 。
示 例：
用户问：“查询账户总额大于 10 万元的用户 I D 和可用 余额”
情况1：没有专业术语， 大模型仅 依赖自有知识和DDL语法生成S QL
SELECT u_id, tot_amt FROM user_ account
WHERE tot_amt > 1 00000;
执行后的结果是错误的。
原因：不明白可用余额和账户总额的区别，不知道可用余额是哪个字段。
情况2：专业术语中增加 “可用余 额”的解释。
可用余额指账户中不受冻结、不被预占、可立 即用于支 付、转账、提现的资金金额。 计算公式：可用余额 = 账户总余额 − 冻 结金额 − 在途金额 − 预授权占用金额
对应数据库字段：acct_ bal / avail_balance
AI 检索到这些信息后，能够精确映射专业术语，生成正确 SQL
SELEC T u_ id A S 用户ID, acct_bal AS 可用余额
FROM user_acco unt
WHERE tot_amt > 1 00000;
（3）SQL问答
核心价值：
✓ 保障复杂 / 变体问题的 SQL 生成准确率和一致性，避免纯 LLM 的推理错误；
用户问： “ 查询上个月已完成的订单金额”
情况1：是个新问题，SQ L问答库为空，没有相似的问题。LLM 靠自有能力生成的SQL：
SELECT SUM(amount) FROM s ales _order
WHERE ord er_status = ‘已完成’
AND order_time >= ‘2026-01-01’ AND order_time < ‘2026- 0 2-01’;
执行后返回 0 条结果。答案错误。
原因：字段存的是数字3，不是字符串
第一次用户发现错误后，人 工修正为正确的 SQL 。将（问题，SQL答案）存储到了AI学习库中的SQL问答。
SELECT SUM(am ount) FROM sales_order
WHERE order_status = 3
AND or der_t ime >= ‘2026-01-01’ AND order_ti me < ‘2026-02-01’;
第二次用户问 ：“查询本周已完成的订单数量”，AI 直接从 AI学习库中检索到相似的SQL问答，生成正确 SQL ：
SELECT COUNT(*) FROM sales_order
WHERE order_status = 3
AND order_time >= DATE_SUB(NOW(), INTERVAL 7 DAY);