虚拟空间网站ftp如何差异化同步线上培训

自OceanBase 4.3.3版本推出以来，向量检索的能力受到了很多客户的关注，也纷纷表达希望OB能拓展更多 多模数据库+大模型 的AI应用实践。

在上篇文章 👉 OceanBase + LLM，免费构建你的专属 AI 助手 ，我们介绍了如何去搭建一个RAG智能问答机器人，也收到许多用户在论坛及博客上自发分享的利用AI助手Demo进行创新趣味改造，非常感谢大家的热情支持！

今天，我们积极响应大家的建议，为大家呈现一项全新的应用——

构建一个 Text2SQL 应用！

Text2SQL，指通过大模型用自然语言生成对应的查询 SQL，不仅可以直接在 OceanBase 数据库中执行该 SQL 获取结果，还能够将得到的查询结果进行可视化展示（下文中会将这个应用称为 chat data）。这个应用能够在一定程度上提升 OceanBase 数据库的易用性，且步骤十分简单，欢迎大家都来尝试一下。

1、Text2SQL应用简介

这个  Text2SQL 的 chat data 应用是基于蚂蚁集团的 AI 原生数据智能应用开发框架——DB-GPT 进行。

DB-GPT 通过多模型管理（SMMF）、Text2SQL 效果优化、RAG 框架以及优化、Multi-Agents 框架协作、AWEL （智能体工作流编排）等多种技术能力，使围绕数据库构建大模型数智应用变得更加简单和便捷。目前已有超过 106 万用户学习和使用 DB-GPT ，并有 100+ 家企业已将其集成到生产系统中。

OceanBase 支持向量数据类型的存储和检索，并已适配作为 DB-GPT 的可选向量数据库，支持 DB-GPT 对结构化数据和向量数据的存取需求，从而支撑其上 LLM 应用的开发和落地。

我们可以快速看看应用的效果：让 chat data 写一条简单的 SQL，对 TPC-H 测试集的数据进行查询，并生成可视化的图表，效果如下：

chat data 会自动拿着生成的 SQL 去数据库里执行，并返回查询结果。

再看看另一个示例——输入提示词后，让 chat data 应用帮我们生产一个可视化的散点图。（需要注意的是 Text2SQL 对大模型的能力要求较高，如果执行结果出现错误提示，可以尝试重试和修改提示词。）

2、OceanBase 如何支持Text2SQL应用

我们可以通过下图去理解 OceanBase 数据库在 Text2SQL 应用中的作用。

图中展示的这个 OceanBase 租户里有三类 database，分别为：

✅ 用于存储用户数据的库（图中的 User Data 库）；

✅ 用于存向量数据的库（图中的 Vector 库）；

✅ 以及其他库（图中的 Others 库）。

Text2SQL 应用的服务对象是数据库，这个被服务数据库在本实验中就是 OceanBase，对应图中的 User Data 库；同时，应用需要对用户输入的自然语言，将数据库对象的元数据拿出来，进行相似性检查，所以也需要一个服务于应用的向量数据库，这个数据库也由 OceanBase 支持，对应图中的 Vector 库。

也就是说，这次实验，不需要专门去另外搭建一个向量数据库，通过 DB-GPT，利用 OceanBase 的向量能力，对在 OceanBase 中存储的用户数据进行服务，完全实现了“自给自足”。

我们从上图的左侧部分，来看 DB-GPT 在搭建 Text2SQL 应用的过程中生产向量的过程。

🚩 首先需要创建一个 User Data 库的连接，在创建这个连接的时候，就会把连接中对应库（例如这个库的真名叫 dbgpt_test_db）中用户数据的元信息（表名、列名等）拿出来；

🚩 然后把这些元信息转成向量的形式；

🚩 最后存入 Vector 库中的一张叫做 dbgpt_test_db_profile 的表内。

DB-GPT 每创建一个新的 User Data 库的连接，就会在 OceanBase 的 Vector 库内创建一张叫做<database_name>_profile 的表，（<database_name>替换为用户使用的数据库名），表中有一个 document 列，用于存储元数据的文本信息；还有一个 embedding 列，用于存储将 document 列转换成的 1024 维向量。

上图的右侧部分，则体现了 OceanBase 和用户交互，然后通过大模型消费向量数据，产生答案的过程。

步骤 1 到 3 ：首先会把用户的自然语言请求，通过模型转换为向量，并在 dbgpt_test_db_profile 表内查询相似度最高的向量。

步骤 4 到 5：大语言模型会基于 Vector 库返回的元数据信息，把自然语言转换为对应的 SQL，并在 User Data 库中执行 SQL 和收集结果数据。还可以根据用户需求将结果数据生成适合的图表。

3、四步搭建chat data应用

进行实验之前，我们需要先开通 OceanBase 数据库，方式有两种：使用 OB Cloud 实例或者使用 Docker 本地部署单机版 OceanBase 数据库。我们在此推荐 OB Cloud 实例，因为它部署和管理都更加简单，且不需要本地环境支持。

OB Cloud 目前已经支持 365 天免费试用，大家可以开通事务型共享实例（MySQL模式）。

开通完成后，只需要下面的 4 步 就可以完成 chat data 应用的搭建了。这里不做详细描述，完整的实验步骤流程可通过下面的链接查看：

docker/compose_examples/ob_dbgpt_tutorial.md · oceanbase-devhub/DB-GPT - Gitee.com

第一步，获取 OceanBase 数据库实例连接串

第二步，申请大模型 API KEY （可以选择阿里云百炼）

第三步，启动 Docker 容器，复制项目镜像  

第四步，访问 DB-GPT 平台，创建应用

在 DB-GPT中，还支持知识库的 RAG 应用搭建，大家也可以参考文档中的步骤去搭建。

4、还有更多

为了让更多的用户更容易地基于 OceanBase 搭建 AI 应用，我们会陆续将不同场景的 AI 实验步骤录制为视频课程，方便大家随时学习。目前已经上线的有 RAG AI 助手 Demo，和如何结合低代码平台 Dify 去搭建 AI 应用，本文的应用和更多实验也将陆续上线。下方链接可以直达课程。

OceanBase AI 动手实战课  >>