Text To Sql

核心定位

Text-to-SQL 是一个自然语言到SQL查询的转换工具，专门解决"懂业务但不懂SQL"的用户痛点。当用户用大白话描述数据需求时，它能生成可直接执行的SQL语句。

核心用法

使用严格遵循三要素触发机制：自然语言描述 + 数据库Schema + SQL生成请求同时存在时才激活。提供三种模式：

• /text-to-sql：标准模式，直接输出SQL
• /text-to-sql/explain：教学模式，带逐行注释
• /text-to-sql/alternatives：对比模式，提供2-3种等效写法

执行流程为四步标准化：确认Schema→意图映射→处理关联→生成验证。特别设计了详细的"意图→SQL子句"对照表，如"最新的"自动映射为ORDER BY date DESC LIMIT 1，"包含"映射为LIKE '%value%'。

显著优点

1. 降低技术门槛：非技术人员无需学习SQL语法即可获取数据
2. 标准化程度高：强制要求表别名、列限定、Schema验证，避免低级错误
3. 教学模式友好：explain模式适合SQL初学者理解查询逻辑
4. 多策略对比：alternatives模式帮助用户理解不同写法优劣
5. 防御性设计：无Schema时拒绝猜测，主动询问而非臆造字段名

潜在局限

1. 不执行查询：仅生成SQL，不提供数据结果
2. 依赖Schema质量：复杂的多表关系需要用户准确提供外键信息
3. 方言差异：PostgreSQL/MySQL/SQLite语法细节需用户指定
4. 无法优化性能：不分析执行计划或索引建议
5. 复杂逻辑受限：多层嵌套、窗口函数、递归CTE等高级特性支持有限

适合人群

| 用户类型 | 使用场景 |

|---------|---------|

| 产品经理/运营 | 日常数据取数，无需依赖BI团队 |

| 数据分析师 | 快速草拟查询，再手动调优 |

| SQL初学者 | 通过explain模式学习查询构造 |

| 全栈开发者 | 减少手写基础CRUD查询的时间 |

常规风险

• 数据泄露风险：生成的SQL若直接执行，可能因WHERE条件遗漏导致全表暴露
• 权限绕过风险：不验证用户是否有权访问生成的查询涉及的表
• 注入隐患：若用户提供的Schema本身包含恶意内容，可能污染输出
• 逻辑错误风险：自然语言的模糊性可能导致聚合粒度错误（如该GROUP BY时遗漏）

核心用法

Text-to-SQL 是一款面向非技术用户的自然语言转 SQL 查询生成技能。用户只需用日常语言描述想要的数据（如"去年销售额最高的10位客户"），并提供数据库表结构信息，即可获得完整、可执行的 SQL 语句。

该技能支持三种工作模式：默认模式直接生成标准 SQL；/explain 模式附带逐行注释，便于学习理解；/alternatives 模式提供 2-3 种不同实现方案（如子查询 vs CTE、不同 JOIN 策略），帮助用户对比优化思路。

执行流程遵循严格的四步规范：首先确认并解析用户提供的表结构（支持 CREATE TABLE、DESCRIBE 输出或列名列表等多种格式），若未提供则主动询问而非猜测；其次将自然语言意图映射为具体 SQL 子句，内置丰富的意图-语法对照表；第三步智能处理多表关联场景，自动识别 JOIN 类型与关联键；最后生成语法正确的查询并进行完整性校验，确保列名存在、别名规范、聚合查询含 GROUP BY 等。

显著优点

零门槛数据访问：彻底打破技术壁垒，业务人员、产品经理等非技术角色无需学习 SQL 语法即可获取所需数据，大幅提升组织数据民主化程度。

生成质量可靠：内置完整的 SQL 最佳实践约束，强制要求列名限定、禁止生产环境使用 SELECT *、自动处理 SQL 关键字冲突等，输出代码可直接用于实际业务。

教育价值突出：explain 与 alternatives 模式不仅是工具，更是 SQL 学习助手，帮助用户理解查询逻辑、掌握优化技巧，实现"用中学、学中用"。

极致轻量化：纯 Markdown 提示词模板设计，零外部依赖、零网络请求、无可执行代码，部署成本极低，兼容任何支持 LLM 的基础设施。

潜在局限

非执行环境：该技能仅生成 SQL 文本，不具备数据库连接与查询执行能力，用户需将生成的语句粘贴至实际数据库工具（如 DBeaver、DataGrip 或命令行）中运行。

Schema 依赖严格：必须提供准确的表结构信息才能工作，对复杂数据库（含数百张表、无文档遗留系统）的场景，前期梳理成本较高。

方言适配有限：虽支持 PostgreSQL、MySQL、SQLite 等主流方言的基础差异，但对 Oracle PL/SQL、SQL Server T-SQL 等专有高级特性覆盖不足。

复杂逻辑边界：面对窗口函数、递归 CTE、存储过程等高级 SQL 特性，或需要多轮业务逻辑判断的复杂场景，生成质量可能下降。

适合人群

• 数据分析新手：希望快速获取数据但尚未掌握 SQL 的职场新人
• 业务运营人员：需自主提取数据制作报表、验证业务假设的产品/运营/市场团队
• 教育工作者：SQL 培训讲师可用作教学演示工具，展示自然语言与代码的对应关系
• 全栈开发者：在快速原型阶段快速生成查询草稿，再进一步优化调整

使用风险

性能风险：生成的 SQL 未经实际执行计划验证，可能存在全表扫描、未命中索引等性能隐患，生产环境使用前建议由 DBA 审核或借助 EXPLAIN 分析。

数据安全风险：技能本身不访问数据库，但用户若将生成的查询粘贴至生产环境执行，需自行承担权限管控与数据脱敏责任，避免泄露敏感信息。

语义歧义风险：自然语言固有的模糊性可能导致理解偏差（如"最近"未明确是30天还是本月），建议关键业务场景添加人工复核环节。

版本维护风险：当前检测到的版本号不一致问题（SKILL.md 为 1.0.1，_meta.json 为 9.9.9）提示需关注后续版本迭代的稳定性。