大模型应用 SQL 优化：10w + 对话历史的查询加速

-- AI生成的慢SQL：查询近30天对话次数Top10用户
SELECT user_id, COUNT(id) AS chat_count FROM llm_chat_history WHERE create_time >= NOW() - INTERVAL '30 days' GROUP BY user_id ORDER BY chat_count DESC LIMIT 10;
-- 优化前执行时间：820ms | 执行计划：全表扫描所有10w+数据！

-- 【第2篇复合索引语法】索引字段顺序：user_id（过滤性最强）→ create_time（与查询排序一致，DESC）
-- INCLUDE：将对话内容字段存入索引，无需回表
CREATE INDEX idx_chat_user_time ON llm_chat_history (user_id, create_time DESC)
INCLUDE (prompt, answer, model_name);

-- 验证连续对话查询：查询user_123的最近10条对话（第3篇核心场景）
SELECT prompt, answer FROM llm_chat_history WHERE user_id = 'user_123' ORDER BY create_time DESC LIMIT 10;
-- 优化前：380ms → 优化后：22ms

-- 【第2篇索引优化规则】过滤字段create_time在前，分组字段user_id在后
CREATE INDEX idx_chat_time_user ON llm_chat_history (create_time DESC, user_id);

-- 验证AI生成的慢SQL：近30天对话次数Top10
-- 优化前：820ms → 优化后：156ms（初步优化，还能更快）

SELECT t.user_id, COUNT(t.id) AS chat_count
FROM (
    -- 子查询：仅扫描复合索引idx_chat_time_user，无需回表
    SELECT id, user_id FROM llm_chat_history WHERE create_time >= NOW() - INTERVAL '30 days'
) t
GROUP BY t.user_id 
ORDER BY chat_count DESC 
LIMIT 10;

-- 优化后执行时间：**68ms**（从820ms→68ms，加速12倍！）
-- 执行计划验证：仅扫描复合索引idx_chat_time_user，无全表扫描

# 大模型应用专属SQL优化提示词（适配PostgreSQL）
sql_agent_prompt = """
你是专业的大模型应用SQL工程师，生成的SQL必须符合以下规则：
1. 针对llm_chat_history表的统计查询，**必须使用延迟关联优化**；
2. 优先使用现有索引：idx_chat_user_time、idx_chat_time_user；
3. 禁止全表扫描，禁止使用SELECT *；
4. 生成的SQL需兼容PostgreSQL 15+语法。
"""

# 创建Agent时传入提示词（替换第5篇的agent_kwargs参数）
sql_agent = create_sql_agent(
    llm=llm,
    toolkit=toolkit,
    agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    agent_kwargs={
        "prefix": sql_agent_prompt  # 加入优化规则
    }
)

import redis
from fastapi import FastAPI, Depends
from sqlalchemy.orm import Session

# Redis连接配置（本地Redis默认端口6379）
redis_client = redis.Redis(host="localhost", port=6379, db=0, decode_responses=True)

# 连续对话上下文查询接口（第3篇核心接口）
@app.get("/api/chat/history/{user_id}")
async def get_chat_history(user_id: str, db: Session = Depends(get_db)):
    # 1. 先查询Redis缓存（缓存key：chat_history_用户ID）
    cache_key = f"chat_history_{user_id}"
    cached_history = redis_client.get(cache_key)
    if cached_history:
        return {
            "code": 200,
            "message": "查询成功",
            "data": eval(cached_history),
            "source": "redis_cache"
        }
    
    # 2. 查询数据库（使用优化后的复合覆盖索引）
    db_history = db.query(ChatHistory.prompt, ChatHistory.answer)\
                  .filter(ChatHistory.user_id == user_id)\
                  .order_by(ChatHistory.create_time DESC)\
                  .limit(10)\
                  .all()
    # 转换为JSON格式
    result = [{"prompt": item.prompt, "answer": item.answer} for item in db_history]
    
    # 3. 存入Redis缓存（TTL=3600秒，即1小时的对话上下文有效期）
    redis_client.setex(cache_key, 3600, str(result))
    
    return {
        "code": 200,
        "message": "查询成功",
        "data": result,
        "source": "postgresql"
    }

graph LR
    A[用户对话请求] --> B[FastAPI后端服务]
    B -->|连续对话上下文| C[Redis缓存: 近10条对话]
    B -->|新对话存储| D[PostgreSQL: 对话历史表<br/>复合覆盖索引]
    B -->|AI智能查询| E[大模型Agent<br/>自动生成优化SQL]
    B -->|RAG知识库检索| F[pgvector: 混合SQL+向量索引]
    E --> D
    F --> D
    B -->|返回结果| A