告别手敲 SQL ？GPT-3 自动帮你写

作者 | Brian Kane @SeekWell

编译 | 伍杏玲

出品 | AI科技大本营（ID：rgznai100）

【导语】手写业务 SQL 很繁琐？GPT-3来帮你！本文作者通过手动输入简单的英文描述秒 Get 到 SQL 了。听说 AI 又来抢开发者饭碗，一起来看看吧：

作为分析师，我花费大量时间编写 SQL 来回复各类业务问题，如简单的客户查询问题“用户X是否有正确的计划”，评估 KPI，增长指标“上个月有多少用户注册，转换为付费用户的百分比是多少”，预估问题“12 个月内我们将获得多少收入”。

为了让我的工作更轻松，我尽量使用自动化来完成。尽管公司研发一些工具来帮助解决，但需要写 SQL 代码的话用当前工具很难自动化，GPT-3 来救驾！

GPT-3 是一种文本完成引擎，它接受输入的文本并返回它认为接下来会出现的文本。现在已经有很多人使用它根据指定说明来生成 HTML、CSS 等代码。

由于我的大部分工作是写 SQL，所以我希望通过简单的英语描述语句，GPT-3 将这些语句转为 SQL 代码。接着执行该 SQL，等待页面返回结果。

对我来说，GPT-3 Instruct（仍处于beta版）比更通用的 GPT-3 引擎更有效果，GPT-3 Instruct（尤其是davinci-instruct）可让你给出 GPT-3 响应的特定指令。下面我将详细为大家展示下一些示例，其中 gif 里输入问题由我生成，为绿色，GPT-3 将其转换为SQL（由GPT-3生成，为蓝色），我对 GPT-3 说明（黄色）和 GPT-3 示例（橙色）。

这是我给的第一条指令，一个问题以及GPT-3的回复：

说明：给定输入问题，请使用语法正确的 PostgreSQL 进行响应。可以有创新，但 SQL 必须正确

输入：how many users signed up in the past month?

GPT-3：

SELECT COUNT(*) FROM users
WHERE signup_time > now() - interval '1 month'

我没给过数据库架构，但假设我有一个名为“ users”的表，有“ signup_time”时间戳字段用于用户注册，这个符合逻辑。它知道在 PostgreSQL 中从今天的日期减去一个月的正确方法（now（）-间隔“ 1个月”）。太酷了！

为了给 GPT-3 提供更多的上下文，我将有关数据库模式的信息添加到指令中。我的新指令：

说明：给定输入问题，请使用语法正确的PostgreSQL进行响应。仅使用“用户”和“收费”的表。“用户”表具有以下列：id（整数），signup_dt（时间戳），电子邮件（字符变化）和plan_type（字符变化）。“费用”表中包含列：金额（bigint），user_id（整数）和charge_dt（时间戳）。

我问另一个问题，看看 GPT-3 是否可以根据实际数据库来响应：

输入：how much revenue did we have in the past 7 days?

GPT-3：

SELECT SUM(amount) FROM charges WHERE charge_dt > now() - interval '7 days'

我向它提供了有关数据库中表和列的更多信息，它正确地推断出“ amount” =“ revenue”，并 SUM（）来统计 7 天收费后的金额，我们看到，它已知道一些基本的SQL语法，并推断出我的意思。

用示例启动GPT-3

我想需要通过一个简单的示例来明确告知 GPT-3 表中的列，示例是提供 GPT-3上下文并充实一些细节的好方法，这有助于确定哪些列和表可以使用（GPT-3有时喜欢“发明”列）。这是我添加到提示中的示例：

输入：select all available columns from users table.

输出：

SELECT id, signup_dt, email, plan_type FROM users

输入：select all available columns from charges table.

输出：

SELECT amount, user_id, and charge_dt FROM charges

将这些示例提供给 GPT-3，我将再问一个问题：

输入：what was the largest payment amount made in the past 30 days?

GPT-3：

SELECT MAX(amount) FROM charges WHERE charge_dt > NOW() - INTERVAL '30 days'

它知道使用MAX（金额）来获得最大的付款并正确设置日期条件，没看到有关如何从当前日期减去天数的示例。我们再试试其他的：

输入：when did user with email brian@seekwell.io make his last payment?

GPT-3：

SELECT MAX(charge_dt) FROM charges WHERE user_id = 1 AND email = 'brian@seekwell.io'

不太对，“收费”表中没有电子邮件列，因此该查询将失败。我也从来没有说过电子邮件=“ brian@seekwell.io”的用户的user_id = 1-不知道从何而来。要正确回答该问题，必须将“收费”表与“用户”表结合在一起，因为只有“用户”有电子邮件列。

由于知道在users.id = Charges.user_id上联接这些表是一个大的进步，所以我将给 GPT-3 一个“联接”的示例：

输入：when did jane@seekwell.io make her first payment?

输出：

SELECT MIN(charge_dt) as last_payment_dt from charges LEFT JOIN
users ON users.id = charges.user_id
WHERE users.email = 'jane@seekwell.io'

我再试一次：

输入：when did user with email brian@seekwell.io make his last payment?

GPT-3：

SELECT MAX(charge_dt) as last_payment_dt from charges LEFT JOIN users ON users.id = charges.user_id WHERE users.email = 'brian@seekwell.io'

根据示例，它变得太简单了，它正确地更改了MIN（）→MAX（）并用我要求的电子邮件替换了该电子邮件。我们尝试另一个难度级别，先加更多示例来提供更多背景信息并改善响应。新的例子：

输入：how many users signed up in the past 30 days?

输出：

SELECT COUNT(*) FROM users WHERE signup_dt >= now() - interval '30 days'

输入：when did user with email brian@seekwell.io sign up?

输出：

SELECT signup_dt FROM users WHERE email = 'brian@seekwell.io'

输入： how much revenue did we have in the past 7 days?

输出：

SELECT SUM(amount) from charges WHERE charge_dt >= now() - interval '7 days'

输入：how much revenue did we have from 10-01-20 through 11-15-20?

输出：

SELECT SUM(case when charge_dt>= '10-01-20'::date and charge_dt < '11-15-20'::date then amount else 0 end) as revenue
FROM charges

输入：how much revenue have we had from users that signed up in the last 6 months?

输出：

SELECT SUM(charges.amount) FROM users INNER JOIN
charges ON users.id = charges.user_id
WHERE users.signup_dt>= now() - interval '6 months'

输入：when did user with email brian@seekwell.io make his first payment?

输出：

SELECT MIN(charge_dt) as last_payment_dt from users INNER JOIN
charges ON users.id = charges.user_id
WHERE users.email = 'brian@seekwell.io'

输入：how many new users signed up in each of the last 2 months?

输出：

SELECT sum(case when signup_dt>= now() - interval '1 month' then 1 else 0 end) as signups_this_month,
sum(case when signup_dt>= now() - interval '2 months' and signup_dt < now() - interval '1 month'  then 1 else 0 end) as signups_last_month
FROM users

这些示例为它提供了一些基本查询，因此它更加熟悉我的数据库以及用例的特定术语和概念（例如，“付费用户”表示其plan_type =“ pro”）。我还介绍了汇总两个日期之间的指标（收入）。我们继续加深难度：

输入：how many payments has user with email joe@freshpizza.com made?

GPT-3：

SELECT COUNT(*) FROM users INNER JOIN  charges ON users.id = charges.user_id WHERE users.email = 'joe@freshpizza.com'

GPT-3认为这里的COUNT（）是适当的表达式，知道将“用户”与“收费”表结合在一起，并将电子邮件正确设置为我所询问的电子邮件。GPT-3的另一个问题：

输入：how much revenue have we received from users with an email ending in 'seekwell.io' in the last 3 months?

GPT-3：

SELECT SUM(charges.amount) FROM users INNER JOIN charges ON users.id = charges.user_id WHERE users.email LIKE '%seekwell.io%' AND users.signup_dt>= now() - interval '3 months'

太棒了，它知道将“以seekwell.io结尾的电子邮件”在SQL中转换为“ users.email LIKE'％seekwell.io％'”（即使之前从未见过），并对与此匹配的用户收取了所有费用的总和健康）状况。还有一个：

输入：how much revenue did we have between June 1st and August 1st 2020?

GPT-3：

SELECT SUM(case when charge_dt >= '06-01-2020'::date and charge_dt < '08-01-2020'::date then amount else 0 end) as revenue FROM charges

我已经教过它如何从10-01-20到11-15-20来获取收入，所以它要容易一些，它确实知道将6月1日和8月1日转换为SQL中适当的日期格式（'06- 01-2020”和“ 08-01-2020”）。如果它只是用“ 6月1日”和“ 8月1日”替换了我示例中的日期，我它不是在获取日期的概念，只是将模式匹配到最接近的示例。有了这个结果，我可以知道GPT-3至少在某种程度上了解了日期的概念。

将 GPT-3 “玩坏了”

刚才我列举的例子都是关于用户、收入和增长指标等基本问题，GPT-3 处理得很好。现在我想知道有多少用户转换为付费用户：

输入：what percent of users who signed up converted to paid?

GPT-3：

SELECT COUNT() as total_users, COUNT() as total_paid_users, 100.0*(COUNT() as total_paid_users) / COUNT() as total_users AS percent_converted FROM users

这不是我想要的，绝对不是正确的SQL。它不理解“百分比”的概，它仅是 COUNT（）并乘以100。我使用“百分比”来试验下：

输入：what percent of users have an email ending in 'gmail.com'?

输出：

SELECT SUM(CASE WHEN email like '%gmail.com' then 1 else 0 end)/COUNT(*) as percent_gmail
FROM users

当我尝试相同的问题时，我得到：

输入：what percent of users who signed up converted to paid?

GPT-3：

SELECT SUM(CASE WHEN plan_type = 'pro' THEN 1 else 0 end)/COUNT(*) as percent_paid FROM users

整洁多了，它知道将plan_type ='pro'的用户数除以用户总数即可得到我要求的百分比。我还可以向部分用户（例如最近6个月内注册的用户）询问相同的问题，并获得准确的答复：

输入：what percent of users that signed up in the past 6 months converted to paid?

GPT-3：

SELECT SUM(CASE WHEN plan_type='pro' THEN 1 ELSE 0 END)/COUNT(*) AS percent_paid FROM users WHERE users.signup_dt>= now() - interval '6 months'

调整 GPT-3 的参数

除了给GPT-3提供指导和示例外，还可以调整参数来提高 GPT-3 的有效性。其中关键要素是“Temperature”，它转化为GPT-3在响应中包含多少随机性。如果只需要最高的概率响应（即无随机性），则将 Temperature 设置为0。

以“最近两个月的每个月我们有多少收入？”提示为例，将Temperature 设置为.8的话：

输入： how much revenue did we have in each of the last 2 months?

Temperature为.8时 GPT-3：

SELECT SUM(case when charge_dt>= now() - interval '1 month'  then charges.amount else 0 end) as revenue_this_month, CASE WHEN signup_dt>= now() - interval '2 months' AND signup_dt < now() - interval '1 month' THEN SUM(charges.amount) else 0 end as revenue_last_month FROM charges  LEFT OUTER JOIN users ON users.id = charges.user_id \ WHERE users.signup_dt >= now() - interval '1 month'

将Temperature 设置为较低的.3，可提供一个有效的查询，并回答以下问题：

输入：how much revenue did we have in each of the last 2 months?

Temperature为.3时 GPT-3：

SELECT SUM(case when charge_dt>= now() - interval '1 month' then amount else 0 end) as revenue_this_month, SUM(case when charge_dt>= now() - interval '2 months' and charge_dt < now() - interval '1 month' then amount else 0 end) as revenue_last_month FROM charges

更高的Temperature 让 GPT-3 变得更具“创造力”，但也使它过于复杂并给出了几乎没有意义的响应。Temperature 设置为.3，响应将问题正确转换为SQL。

根据我的经验，如果你问的问题遵循的是示例所建立的模式，则较低的Temperature往往会表现得更好。但是，如果您要问一些需要更多创造力的问题，则更高的Temperature是最佳选择，因为GPT-3更有可能尝试未明确教导的事情。

在下面的案例中，我问：“过去6个月内注册的用户给我们带来了多少收入？” （从我的示例中删除之后）。在较低的Temperature下，GPT-3尝试在“ charges”表中创建一个“ signup_dt”列，因此不必将“ users”表和“ charges”表连接在一起。随着 Temperature 的升高，它确实加入了，这是Temperature设置为.8的响应：

输入：how much revenue have we had from users that signed up in the last 6 months?

Temperature为.8时 GPT-3：

SELECT SUM(charges.amount) FROM users INNER JOIN charges ON users.id = charges.user_id WHERE signup_dt >= DATE_SUB(now(), INTERVAL '6 months')

可以肯定的是，“ DATE_SUB（now（），INTERVAL'6 months'）”不是一个有效的Postgres表达式，因此该查询在技术上将失败。但是从结构上讲，它通过加入“ charges”和“ users”而处于正确的道路上，因此可以以“ signup_dt”为条件。同时，使用“ charges”表中实际上不存在的“ signup_dt”列，.Temperature设置为.2时响应完全不正确：

输入：how much revenue have we had from users that signed up in the last 6 months?

Temperature为.2时 GPT-3：

SELECT SUM(CASE WHEN signup_dt >= now() - interval '6 months' THEN amount ELSE 0 END) AS revenue FROM charges

结论

GPT-3 实例会根据简单的英语问题，将其转换为数据库真正有效的SQL。它不总是完美，对“增长率”或“百分比”等复杂的概念仍然需要一些人工帮助，但是它对我的日常工作是有用，对于简单的SQL，GPT-3 能帮忙减轻我的负担，并且对于不熟悉 SQL 语法的初学者很有用。

这个项目的代码传送门：https://github.com/bkane1/gpt3-instruct-sandbox

原文链接：https://blog.seekwell.io/gpt3

本文为AI科技大本营翻译，转载请注明来源出处。