介绍9个优秀的Text2Sql（Chat2Sql）开源项目
过去，领导、决策者或业务人员想要统计个数据、做个报告，总是绕不开技术人员的支持。领导需要将想法告诉技术人员，技术人员再将领导的想法转成技术语言（例如：sql），然后对数据进行统计分析，以满足领导的期望。整个过程非常低效！
随着大模型能力逐步强大、场景越来越丰富，从Text到sql或者从Chat到sql的方案也十分火热，这个方案主要是利用大模型将自然语言转化为可以执行的Sql语句，进行数据分析，并根据结果实现报告生成或者可视化展示。这种方案提高了领导们随时想要报告的效率，缓解了应对向上汇报的焦虑，在许多决策支持、大屏展示等场景中非常见效。
这里主要收集了几个比较优秀的Text2Sql相关的开源项目或者资源，供借鉴。
1. Chat2db
GitHub Star 14K
https://github.com/chat2db/chat2db
图片
图片
Chat2DB旨在成为一个通用的SQL客户端和报告工具，从一开始就包含AI功能。它支持几乎所有比较流行的数据库、缓存，包括：
MySQL
PostgreSQL
H2
Oracle
SQLServer
SQLite
MariaDB
ClickHouse
DM
Presto
DB2
OceanBase
Hive
KingBase
MongoDB
Redis
Snowflake
此外，chat2DB还提供了它的7B开源模型：
GitHub：
https://github.com/chat2db/Chat2DB-GLM
Huggingface：
https://huggingface.co/Chat2DB/Chat2DB-SQL-7B
Modelscope：
https://modelscope.cn/models/Chat2DB/Chat2DB-SQL-7B
2.SqlChat
GitHub Star 4K
https://github.com/sqlchat/sqlchat
图片
图片
图片
SQL Chat是一个基于聊天的SQL客户端，您可以使用自然语言与数据库进行通信，以实现查询、修改、添加和删除等操作。
它目前支持MySQL，Postgres，SQL Server和TiDB无服务器。
3. Vanna
GitHub Star 7.7K
https://github.com/vanna-ai/vanna
图片
Vanna是一个开源的开源Python RAG（检索增强生成）框架。Vanna通过整合上下文（元数据、定义、查询等）以及领域知识文档来训练RAG模型。在Vanna框架的基础上可以使用现有工具（例如Streamlit、Slack）构建自定义可视化UI，实现对话结果的可视化。
Vanna通过两个简单的步骤进行操作：
（1）基于数据训练RAG“模型”。
（2）提出问题返回SQL查询，并且可以将查询配置为在数据库上自动运行。
图片
4.Dataherald
GitHub Star 3.1K
https://github.com/Dataherald/dataherald
图片
Dataherald是一个自然语言到SQL引擎，为在关系数据库上的企业级问答而构建。它允许您从数据库中设置一个API，可以用简单的对话进行问答。
他的功能包括：
允许业务用户从数据仓库中获得结果，而无需通过数据分析师
在SaaS应用程序中启用来自生产数据库的Q+A
从您的专有数据创建ChatGPT插件
Dataherald开源代码库包含四大模块：引擎、管理控制台、企业后端和Slackbot。其中，核心引擎模块包含了LLM代理、向量存储和数据库连接器等关键组件。Dataherald 代码的亮点之一是模块化设计，将不同的功能模块封装成独立的类和方法，便于代码维护和扩展，也使得 Dataherald 可以轻松地集成新的工具和功能。
5.WrenAI
GitHub Star 1K
https://github.com/Canner/WrenAI
图片
图片
WrenAI是一个文本到SQL的解决方案，数据团队可以通过询问业务问题而无需编写SQL，可更快地获得分析结果。
其核心理念是利用 LLMs 和 RAG 技术的优势，将自然语言转换为 SQL 查询，并从数据库中检索数据。用户只需用自然语言提出问题，例如“上个月哪个产品的销量最高？”，WrenAI 就能自动将其转换为相应的 SQL 查询，并返回准确的结果。
WrenAI 的核心功能和优势：
开源免费： 用户可以根据自己的需求自由部署和使用 WrenAI。开源的力量，让 WrenAI 更加强大！
6.SuperSonic
https://github.com/tencentmusic/supersonic
图片
图片
模型知识库(Knowledge Base)： 定期从语义模型中提取相关的模式信息，构建词典和索引，以便后续的模式映射。
模式映射器(Schema Mapper)： 将自然语言文本在知识库中进行匹配，为后续的语义解析提供相关信息。
语义解析器(Semantic Parser)： 理解用户查询并抽取语义信息，生成语义查询语句S2SQL。
语义修正器(Semantic Corrector)： 检查语义查询语句的合法性，对不合法的信息做修正和优化处理。
语义翻译器(Semantic Translator)： 将语义查询语句翻译成可在物理数据模型上执行的SQL语句。
问答插件(Chat Plugin)： 通过第三方工具扩展功能。给定所有配置的插件及其功能描述和示例问题，大语言模型将选择最合适的插件。
图片
SuperSonic融合Chat BI（powered by LLM）和Headless BI（powered by 语义层）打造新一代的BI平台。这种融合确保了Chat BI能够与传统BI一样访问统一化治理的语义数据模型。此外，两种BI新范式都从中获得收益：
Chat BI的Text2SQL生成通过检索语义数据模型得到增强。
Headless BI的查询接口通过支持自然语言API得到拓展。
通过SuperSonic的问答对话界面，用户能够使用自然语言查询数据，系统会选择合适的可视化图表呈现结果。SuperSonic不需要修改或复制数据，只需要在物理数据模型之上构建逻辑语义模型（定义指标/维度/实体/标签，以及它们的业务含义、相互关系等），即可开启数据问答体验。与此同时，SuperSonic被设计为可插拔的框架，采用Java SPI机制来扩展定制功能。
7. Awesome-Text2SQL
https://github.com/eosphoros-ai/Awesome-Text2SQL
图片
8.DuckDB-NSQL
https://github.com/NumbersStationAI/DuckDB-NSQL
DuckDB-NSQL是一个由MontherDuck和Numbers Station为DuckDB SQL分析任务构建的Text 2SQL LLM。可以帮助用户利用DuckDB的全部功能及其分析潜力，而不需要在DuckDB文档和SQL shell之间来回切换。
9.Langchain
文档：
https://python.langchain.com/v0.1/docs/use_cases/sql/
图片
Langchain是一个比较知名的大模型应用框架，但其实，Langchain也可以让我们在自己在SQL数据库上构建一个问答链代理。
可以将LangChain的SQL代理添加到链上。它不仅可以根据数据库的模式和内容回答问题，还可以通过运行生成的查询、捕获回溯，并从错误中恢复，重新生成。
最后
由于大模型的发展是一个逐步增强的过程，在这个过程中，许多大模型还存在不确定、不稳定。在使用基于大模型的Text2Sql方案所生成的SQL查询还需要格外小心验证，以最小化应用风险。
尽量做到：清楚描述数据库上下文、限制数据查询输出的大小、在执行之前验证和检查生成的SQL语句。
发表评论