AI 调教师系列开篇： MySQL 专家

_sx_

发布于 2023-10-20 15:56:25

4060

发布于 2023-10-20 15:56:25

文章被收录于专栏：前端技术地图

ChatGPT 在年初爆火，成为街头巷尾热议的话题。现在的 AI 应该算是目前最卷的赛道了，从卖账号、套壳客户端、割韭菜教程、大厂争先发布自己的大模型…

作为普通开发者，搞底层大模型不是人人都能企及，下场割韭菜实在卷不过别人，追新也需要付出很多精力。眼前貌似就只有一条路，着眼于 AI 的应用层，看能不能给自己的垂直赛道赋赋能？或者针对个人而言，能不能利用 AI 提高工作效率？

所以我开一个新坑, 以前端开发者视角，记录一下作为一个「AI 调教师」在 AI 应用层的一些实践记录, 没有高谈阔论，就一些碎碎念。

一种全新的人机交互模式

今年二月份，我们就开始尝试将 ChatGPT 接入到我们的工具中，如下图：

就是这样的一个对话框，现在大家可能司空见惯了。那时候并不常见，毕竟 Microsoft Office Copilot、ChatGPT 插件什么的都还没发布。在当时想出这个点子的时候，我一整夜睡不着觉，第二天四五点就决定起床，肝了一天搞出这样的效果。

😂 不知道有没有人跟我一样，一兴奋就会睡不着觉

这是一种全新的系统交互方式，即用自然语言来操控整个系统。怎么操控法呢？

这个对话框是全局的常驻的，用户可以随时通过快捷键或者悬浮按钮唤起

每个页面都可以扩展自己的指令，比如进入数据建模页面，就注册 SQL 专家、数据建模等指令，离开后就销毁：

// React 代码
useEffect(() => {
  if (model.readonly) {
    return
  }

  // 注册扩展
  return registerExtension({
    key: '数据建模(测试)',
    match: '数据建模(测试)',
    type: ExtensionType.Command,
    description: '数据模型创建和修改',
    onSend(context) {
      // ... 实现
    },
  })
}, [])

指令系统

指令类似于现在的 ChatGPT 插件，用于扩展 ChatGPT 的能力边界。

对话框只是提供了 AI 对话的能力(机制)，而具体的业务、上下文信息只有页面自己最清楚，因此就让页面自己提供与 AI 对接的接口。

目前的实现方式是通过 # 来唤起选择具体指令，未来我们会利用 ChatGPT 最新的 Function Calling 实现类似 ChatGPT 插件 一样的自然语言调用能力。

MySQL 专家

我们第一个接入的 AI 的大腿，就是给我们的数据建模工具接入 AI 生成 SQL 语句的功能：

如上图所示，我们可以使用自然语言的形式，基于我们已创建的数据模型来做以下事情：

生成 MySQL 建表、增删改查语句
给出优化的建议
检查是否符合关系型数据的范式等等…

建表语句：

优化建议：

还有很多场景…

Prompt 实现

几乎零成本就可以拥有一个「MySQL 专家」。它的 Prompt 其实很简单！

首先需要将已创建的数据模型序列化，作为上下文喂给 ChatGPT, 例如：

#会员主档
Table m_member (
  id: Long, PrimaryKey;
  tenant_id: Long; #租户id
  unique_account_id: String; #会员一账通id
  status: Integer; #会员状态
  unique_identifier_key: String; #会员唯一标识键
  unique_identifier: String; #会员唯一标识的值
  ext_json: String; #自定义扩展字段
  clubs: String; #会员所属的俱乐部
  channel: String; #渠道
)

#俱乐部会员
Table club_member_do (
  id: Long, PrimaryKey; #实体唯一标识符
  tenant_id: Long; #租户id
  club_id: Long; #俱乐部id
  unique_account_id: String; #会员一账通id
  member_no: String; #会员卡号
  level_num: Integer; #会员等级编号
  level_expired_time: DateTime; #等级过期时间
  nickname: String; #昵称
  channel: String; #渠道
  certificate_type: String; #证件类型
  certificate_no: String; #证件号码
  email: String; #邮箱
  country_code: String; #国家编码
  address: String; #详细地址信息
  ext_json: String; #扩展字段
  status: Integer; #俱乐部会员状态
)

#会员变动日志
Table m_member_operation_log (
  id: Long; #实体唯一标识符
  tenant_id: Long; #租户ID
  club_id: Long; #俱乐部Id
  unique_account_id: String; #一账通ID
  operation_type: String; #操作类型
  remark: String; #操作备注
)

这个 DSL 的格式无所谓，ChatGPT 自然语言的处理能力非常强，只要你给出的信息符合一定的规律，格式并不重要。

完整的 Prompt(system) 模板如下：

你是一个 MySQL 专家，你会根据用户给出的概念模型，创建专业、高性能 SQL 语句， 以及回答用户关于数据库的任何问题，提出建设性意见。

---

假设实体(或者表)有多个字段(或者属性), 这些字段支持以下类型:

- Boolean
- Date
- DateTime
- Timestamp
- Integer
- Decimal
- Long
- Double
- Float
- String
- Text
- LongText
- JSON
- Reference : 表示对其他表的引用

---

这是概念模型：

${conception}

---

用户输入： """${input}"""

这是一个很简单的 Prompt，但也揭示了我们写 Prompt 的主要框架：

能力与角色（Capacity and Role）：一上来就给它带个帽子，定义好它的角色和能力
洞察力（Insight）：背景信息和上下文。即我们携带了数据模型工具中提取出来的 模型 DSL，以及 DSL 的基础规则
指令（Statement）：要求 ChatGPT 做什么。这个由后续的用户给出

这里我们也使用了一些特殊符号, 比如 --- """ , 对文本进行分段，可以提升 AI 反馈的准确性

因为 ChatGPT 语言模型已经预训练了很多数据库相关的语料，所以回答的效果还不错，不需要太多的指示(即 [Zero-Shot Prompting](https://learningprompt.wiki/docs/chatGPT/tutorial-extras/Zero-Shot%20Prompts))。