PolarDB:Bonnes pratiques Data-Agent

Indications sur le sens du vocabulaire

Pour la sixième question, comme le modèle de langage large (LLM) ne comprend pas précisément le terme « foot traffic » (trafic piéton), effectuez un prétraitement en configurant la table polar4ai_nl2sql_llm_config.

CREATE TABLE `polar4ai_nl2sql_llm_config` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT 'Primary key',
  `is_functional` int(11) NOT NULL DEFAULT '1' COMMENT 'Is active',
  `text_condition` text COMMENT 'Text condition',
  `query_function` text COMMENT 'Query processing',
  `formula_function` text COMMENT 'Formula information',
  `sql_condition` text COMMENT 'SQL condition',
  `sql_function` text COMMENT 'SQL processing',
  PRIMARY KEY (`id`)
);

Insérez l'élément de configuration pertinent pour configurer le LLM afin qu'il compte le « customer traffic » ou « customer flow » comme le « nombre de convives ».

INSERT INTO polar4ai_nl2sql_llm_config (id, is_functional, text_condition, query_function, formula_function, sql_condition, sql_function) VALUES (
  1, 
  1, 
  "customer traffic||customer flow", 
  "", 
  "Customer traffic or customer flow is calculated as the sum of the number of diners", 
  "", 
  ""
);

Dans ce cas, une valeur de 1 pour is_functional indique que l'élément de configuration est valide. La valeur du champ text_condition est « people traffic||customer traffic », ce qui correspond aux questions contenant « people traffic » ou « customer traffic ». Le champ formula_function explique les termes spécialisés au modèle de langage large (LLM) à l'aide de texte ou de formules.

Dans ce cas, vous pouvez exécuter directement la génération SQL sans créer de table d'index ni effectuer de vectorisation. Le résultat est le suivant.

Exécutez la commande de prédiction NL2SQL : /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, select 'Which outlet in Shanghai has the highest customer traffic') WITH (basic_index_name='schema_index',pattern_index_name='pattern_index');. Le SQL généré est : SELECT r.position, SUM(b.diner_count) AS total_customer_flow FROM restaurant_info r JOIN bill_info b ON r.id = b.restaurant_id WHERE r.position LIKE '%Shanghai%' GROUP BY r.id ORDER BY total_customer_flow DESC LIMIT 1;. Le modèle a correctement interprété « customer traffic » comme le nombre de convives (diner_count) pour les statistiques.

Indications de correspondance floue

Dans la question 3, l'utilisation de l'opérateur = pour récupérer les noms de lieux échouera si le nom ne correspond pas exactement. Par conséquent, utilisez une recherche floue pour la correspondance des noms de lieux. Ajoutez l'élément de configuration suivant.

INSERT INTO polar4ai_nl2sql_llm_config (id, is_functional, text_condition, query_function, formula_function, sql_condition, sql_function) VALUES (
  2, 
  1, 
  "", 
  "", 
  "Matching for the outlet location 'position' requires a fuzzy search", 
  "", 
  ""
);

Si text_condition est vide, l'élément de configuration s'applique globalement. (À utiliser avec prudence.)

Le résultat est le suivant. Comme vous pouvez le voir, la correspondance de lieu utilise avec succès une recherche floue.

Le SQL généré est SELECT AVG(bi.actural_amount / bi.diner_count) AS avg_per_person FROM bill_info bi JOIN restaurant_info ri ON bi.restaurant_id = ri.id WHERE ri.position LIKE '%Shanghai%';. La condition de correspondance de lieu utilise LIKE '%Shanghai%' pour la recherche floue.

De même, pour la question 5, ajoutez les formules de calcul de la croissance mensuelle et annuelle à la table de configuration polar4ai_nl2sql_llm_config afin d'améliorer la précision du SQL généré. Vous pouvez essayer par vous-même.

1. Supposons que votre instruction dans NL2SQL soit la suivante :

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, select 'Merchant type statistics') WITH (basic_index_name='schema_index',pattern_index_name='pattern_index');

   Une fois l'instruction SQL correspondante générée, vérifiez qu'elle s'exécute et renvoie un résultat significatif et non vide.

   SELECT merchtype AS merchant_type, COUNT(*) AS product_count FROM hkrt_merchant_info GROUP BY merchtype;

2. Utilisez NL2Chart :

   Syntaxe

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart, <SQL_statement>) WITH (usr_query = <usr_query>, result_type = <result_type>);

   Paramètres

   Nom du paramètre	Description	Valeur d'exemple
   usr_query	La question saisie par l'utilisateur, utilisée pour clarifier les exigences de génération du graphique.	« Statistiques des ventes pour chaque trimestre de 2023 »
   result_type	Spécifie le type du résultat renvoyé. Actuellement, seule la valeur 'IMAGE' est prise en charge.	'IMAGE'
   Instruction SQL	L'instruction de requête SQL générée par le module NL2SQL, utilisée pour récupérer les données.	SELECT quarter, sales FROM sales_data WHERE year = 2023

   Exemple : Convertir le résultat de la requête de l'instruction SQL générée en graphique

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart, SELECT merchtype AS merchant_type, COUNT(*) AS number_of_merchants FROM hkrt_merchant_info GROUP BY merchtype) WITH (usr_query = 'Merchant type statistics', result_type='IMAGE');

   Le résultat est le suivant :

   Remarque

   Le lien renvoyé est une URL d'image valide pendant 90 minutes.

   http://db4ai-xxx-xx-xxxx-xxx-xxxx.aliyuncs.com/pc-bpze47ma2c515087l6/OSSAccessKeyId=xxxxxxx&Expires=1716130199&Signature=KvPFzfMebIEmqxPIXURurwwbsXM%3D

   

3. (Facultatif) Sélection du type de graphique et sélection forcée

   Le modèle sélectionne un graphique approprié en fonction de sa compréhension de la question de l'utilisateur et des données. Nous recommandons d'utiliser la question de l'utilisateur pour guider le modèle dans la génération du graphique.

   Le tableau suivant montre la correspondance entre les types de questions et les types de graphiques :

   Type de question	Type de graphique	Exemple de question utilisateur	Description
   Statistiques de quantité	Diagramme en barres	« Veuillez fournir des statistiques sur les ventes par ville »	Affiche les comparaisons numériques entre différentes catégories, telles que la quantité, le montant total ou la fréquence.
   Évolution des tendances	Courbe	« Veuillez montrer la tendance de croissance des utilisateurs au cours de l'année dernière »	Affiche l'évolution des données dans le temps ou selon des catégories ordonnées, en mettant l'accent sur la continuité.
   Répartition proportionnelle	Camembert	« Veuillez montrer la proportion des ventes de chaque gamme de produits »	Convient pour montrer la relation proportionnelle des parties par rapport à un tout. Les données doivent être catégorielles et avoir un total clair.

   Forcez un type de graphique spécifique en modifiant le paramètre usr_query. Ajoutez une commande complémentaire à la fin du paramètre usr_query :

   -- Enter the output SQL into nl2chart to draw a line chart
   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart,
   SELECT merchtype AS merchant_type, COUNT(*) AS number_of_merchants FROM hkrt_merchant_info GROUP BY merchtype
   ) WITH (usr_query = 'Merchant type statistics, draw a line chart', result_type='IMAGE');

   

   -- Enter the output SQL into nl2chart to draw a pie chart
   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart,
   SELECT merchtype AS merchant_type, COUNT(*) AS number_of_merchants FROM hkrt_merchant_info GROUP BY merchtype
   ) WITH (usr_query = 'Merchant type statistics, draw a pie chart', result_type='IMAGE');

   

Pour plus d'informations, consultez la section NL2Chart : Générer des graphiques intelligents à partir du langage naturel.

/*polar4ai*/CREATE MODEL udf_qwen14b WITH (model_class='qwen-turbo', model_parameter=(basic_index_name='schema_index', pattern_index_name='pattern_index',training_type='efficient_sft')) as (SELECT '')