chatGPT实战之「基于你的数据库，为你智能生成SQL」

非喵鱼

发布于 2022-12-16 15:31:52

4.5K1

发布于 2022-12-16 15:31:52

chatGPT为你生成SQL的落地效果演示

这几天很很多粉丝进行了深度交流，发现大家对于SQL学习或者编写都遇到过困难，因此勇哥突发奇想是否可以借助chatGPT来帮一下大家呢？于是就开启了chatGPT的落地之旅。从官网了解到chatGPT支持49种场景的，其中2中常见与sql相关，既：

无依据，通过一句话来生成sql语句
有依据，通过一句话来生成sql语句

这两种方式进过效果对比，第2种效果非常的好，于是我就在我的产品中按照第2中模式开发了一个对大家有帮助的功能：“基于你自己的数据库结构，通过一句中文，自动生成SQL语句”，演示效果如下：

第一种生成方式：单独窗口生成SQL，操作步骤：

1、选中生成SQL可能要用到的表，这个将作为上下文，发送给chatGPT
2、在打开的窗口中用中文描述你想要的SQL的需求，然后点击RUN按钮
3、生成成功后的SQL会在右中面板中显示出来，同时你可以直接点运行，查看生成SQL语句的执行结果

通过多张表，通过中文生成SQL

第二种生成方式：查询器中生成SQL操作步骤：

1、随便打开一个数据库表的查询器
2、在查询器中写一句描述要生成sql语句的中文，选中后右键点击【Sq lGenerator】菜单，即可生成
3、选中生成的SQL语句，即可执行查看结果

通过中文注释来生成SQL

chatGPT为你生成SQL的落地代码赏析

chatGPT的入门案例

其实chatGPT的API调用非常简单，但是复杂的是他的参数非常的复杂，举个两个例子：

1、下面temperature参数写成0.0D或者0.1D，其它参数都不变，那么获得结果都是不同类的，也就是0.0D是你想要的SQL，0.1D就变成了小说内容了；
2、prompt是输入的信息，49中场景，prompt的输入格式就有49种，非常复杂，一不小说错误输入，就会获取不到结果；

PS：下周一勇哥回专门开一场直播，来教大家入门chatGPT，以及49种场景的介绍，欢迎大家关注我，到时候直播实现好及时通知。

public static void main(String[] args) {
    String token = "换成你自己的Token";

    OpenAiService service = new OpenAiService(token);
    CompletionRequest completionRequest = CompletionRequest.builder()
        .model("code-davinci-002")
        .prompt("### Mysql SQL tables, 表字段信息如下:\\n#\\n# Employee(id, name, department_id)\\n# Department(id, name, address)\\n# Salary_Payments(id, employee_id, amount, date)\\n#\\n### 创建表的语法\\n HELP")
        .temperature(0.0D)
        .maxTokens(1000)
        .topP(1D)
        .frequencyPenalty(0D)
        .presencePenalty(0D)
        .stop(Arrays.asList("#",";"))
        .build();
    service.createCompletion(completionRequest).getChoices().forEach(System.out::println);
}

chatGPT的落地案例

下面这段代码就是最开始我验收那些效果的真实代码，基本和入门代码差不多，不同的是我在上面增加了输入需求的初步过滤，这样生成的SQL精准度会高非常多。

public class AiUtils {

    /**
     * 生成需求
     * @return
     */
    public static List<CompletionChoice>  generatorSqlQuery(String tables,String demand){
        String keyword = "";
        if(demand.contains("查询")||demand.contains("select")){
            keyword = "SELECT";
        }else if(demand.contains("删除数据")||demand.contains("delete")){
            keyword = "DELETE";
        }else if(demand.contains("删除")||demand.contains("drop")){
            keyword = "DROP";
        }else if(demand.contains("修改数据")||demand.contains("update")){
            keyword = "UPDATE";
        }else if(demand.contains("修改")||demand.contains("alter")){
            keyword = "ALTER";
        }else if(demand.contains("增加")||demand.contains("insert")){
            keyword = "INSERT";
        }else if(demand.contains("创建")||demand.contains("create")){
            keyword = "CREATE";
        }else if(demand.contains("显示")||demand.contains("show")){
            keyword = "SHOW";
        }else if(demand.contains("清空")||demand.contains("truncate")){
            keyword = "TRUNCATE";
        }
        OpenAiService service = new OpenAiService(TOKEN);
        CompletionRequest completionRequest = CompletionRequest.builder()
                .model("code-davinci-002")
                .prompt(String.format("%s %s\\n%s",tables,demand,keyword))
                .temperature(0.0D)
                .maxTokens(1000)
                .topP(1D)
                .frequencyPenalty(0D)
                .presencePenalty(0D)
                .stop(Arrays.asList("#",";"))
                .build();
        List<CompletionChoice> choices = service.createCompletion(completionRequest).getChoices();
        for (CompletionChoice choice : choices) {
            choice.setText(keyword+choice.getText());
        }
        return choices;
    }

}