CN119474129A 一种基于多阶段反馈的sql生成与纠错方法 （深圳联友科技有限公司）

路2010号东风大厦22楼2211、2212、本发明提供了一种基于多阶段反馈的SQL生提升了生成SQL的准确性，确保本申请在面对简单或中等复杂度的任务时能够快速生成有效的生成结果的准确率。在执行初次SQL执行语句生2S3，建立SQL向量知识库，将所述基础SQL语句通过embe并存入所述SQL向量知识库中，利用RAG检索增强生成技术计算规范用户需求与SQL向量知识库中相关知识的相似度；选取最相似的用户需求及对应的SQL执行语句并将它们组合为和相近SQL语句输入至基础SQL执行语句融合大模型；所述基础SQL执行语句融合大模型将S6，将输出的SQL执行语句、纠错示例及用户不满意S7，收集和存储步骤S2至S6的中间结果以2.根据权利要求1所述的基于多阶段反馈的SQL生充和编辑得到fML(Dbase)；通过集成专有大模型对fML(Dbase)进行再次补充和完善得到fUML3.根据权利要求2所述的基于多阶段反馈的步骤S2中将用户需求、表描述及Prompt大模型提示词进行拼接表示为X＝Q+D+Prompt_3化重构得到规范用户需求Qstandard，是DS表示需求拆解大模型。4.根据权利要求3所述的基于多阶段反馈的SQL生成与纠错方5.根据权利要求4所述的基于多阶段反馈的SQS32，通过BM25与余弦相似度加权方法计算规范用户的SQL执行语句并将它们组合为规范用户需求和相近的基础SQL语句，并召回相近的基础示为SQL向量知识库中的向量，α和β分别表示为根据经验预设的BM25及余弦相似度方法的6.根据权利要求5所述的基于多阶段反馈的SQLQstandard和相近SQL语句输入至基础SQL执行语句融合大模型进行融合生成最终输出的7.根据权利要求6所述的基于多阶段反馈的出的错误的SQL执行语句SQLfinal_1及报错信error通过embedding模型将fembedding()转化为()为图表自动展示模块执行输出最终的SQLfinal_4[0003]因此，开发一种基于多阶段反馈的SQL生成与纠错方法已成为当今重要的技术需向量并存入所述SQL向量知识库中，利用RAG检索增强生成技术计算规范用户需求与SQL向量知识库中相关知识的相似度；选取最相似的用户需求及对应的SQL执行语句并将它们组需求和相近SQL语句输入至基础SQL执行语句融合大模型；所述基础SQL执行语句融合大模SQL语句进行融合生成最终输出的SQL5[0013]本发明所述的基于多阶段反馈的SQL生成与纠错方法中；所述步骤S1包括以下步ML[0015]本发明所述的基于多阶段反馈的SQL生成与纠错方法中；在所述步骤S2中将用户为用户需求、D表示为表描述，Prompt_spilit表示为Prompt大模型提示词；将X＝Q+D+[0016]本发明所述的基于多阶段反馈的SQL生成与纠错方法中；所述步骤S3包括以下步[0018]本发明所述的基于多阶段反馈的SQL生成与纠错方法中；所述步骤S3还包括以下表示为SQL向量知识库中的向量，α和β分别表示为根据经验预设的BM25及余弦相似度方法[0020]本发明所述的基于多阶段反馈的SQL生成与纠错方法中；在所述步骤S4中将表描SQL语句、规范用户需求Qstandard和相近SQL语句输入至基础SQL执行语句融合大模型进行融[0022]本发明所述的基于多阶段反馈的SQL生成与纠错方法中；在所述步骤S5中执行6SQL执行语句SQLfinal_1及报错信error通过模型将fembedding()转化为向量[0023]本发明的基于多阶段反馈的SQL生成与纠错方法通过引入专家思维模型，借助需[0028]如图1_2所示，图1是本发明基于多阶段反馈的SQL生成与纠错方法实施例的流程名T1＝sales_data；表中包含三列，分别是产品类型、销售日期和销售数量，即C1=(product_type，sale_date，am7SQL语句向量并存入所述SQL向量知识库中，利用RAG检索增强生成技术计算规范用户需求规范用户需求和相近SQL语句输入至基础SQL执行语句融合大模型；所述基础SQL执行语句现步骤对应基础SQL＝(SELECTsale_date,amountFROMsales_data,WHEREproduct_8ML拼接表示为X＝Q+D+Prompt_spilit，其中，Q表示为用户需求、D表示为表描述，Prompt_spilit表示为Prompt大模型提示词；将X＝Q+D+Prompt_spilit输入至需求拆解大模型fDS(X；θ)＝(Qstandard,S,SQL)进行规范化重构得到规范用户需求Qstandard，将规范用户需求表示为SQL向量知识库中的向量，α和β分别表示为根据经验预设的BM25及余弦相似度方法基础SQL语句、规范用户需求Qstandard和相近SQL语句输入至基础SQL执行语句融合大模型进行融合生成最终输出的SQL执行语句表示为SQLfinal__1＝fmerge(Qstandard,S,SQL,D,Promptmerge)，其中，表示为对应的基础SQL语句，Promptmerge表示为基础SQL语句融合大将fembedding()转化为向量Ve，并在纠错向量库中召回相似度Sim最高的j个纠错示例9Si和SQLi是已标定好的用户需求实现步骤和用户需求实现步骤对应基础SQL语句，LDS的主出错误原因，并针对性地修改Prompt。每处理n条错误数据后，模型会根据分析结果对[0052]在实际应用中，发现规范化后的用户需求在SQL向量知识库中的召回结果存在不[0055]链1在响应时间和准确率方面均表现良好，特别适用于实时交互等时间敏感型场入，提供更全面的上下文帮助模型判定。(5)根据生成结果的反馈数据，定期对其进行微功但用户不满意的例子需交由纠错指导大模型[0058]定期使用纠错指导大模型分析输出SQL执行语句中运行失败和用户不满意的结执行语句运行失败或用户不满意的结果被记为fail_example，则会纠正这些失败的结果，纠正后的样例被视为correct_example。将这些失败的例子与相应的纠正例子批量交由纠 [0060]定期使用大模型分析链1输出中运行失败和用户不满意的结果，找出融合错误的[0061]定期使用大模型分析链2输出中用户不满意的例子及专家的纠错结果，探究未能[0063]＝Analysis&Promote(fail_example,correct_example,Prompt)由于每个Prompt将这些失败的例子与相应的纠正例子批量交由大模型分析，这个过程即Analysis&[0068](1)基础SQL执行语句融合大模型反馈微调：链1输出中运行失败和用户不满意的[0069](2)纠错指导大模型反馈微调：对于那些被纠错指导大模型判定为无错但实际运[0070](3)纠错大模型反馈微调：对于那些需要多次纠错才能改正的SQL以及专家纠正确例子和纠正后的错误SQL按比例合并为训练集。这一策略避免了模型在仅使用薄弱点数作用是通过最小化模型生成的答案与标准答案(correct_example)之间的距离，从而优化任务执行失败的案例(fail_example)及其纠正后的结果(correct_example)，并将它们加