我要投稿

一文搞懂大模型的提示工程（Text2SQL、Text2API）

发布日期：2025-06-13 05:34:09 浏览次数： 1780

作者：架构师带你玩转AI

微信搜一搜，关注“架构师带你玩转AI”

大模型的提示工程（Prompt Engineering）是通过精心设计输入文本（Prompt），引导大语言模型（LLM）生成符合预期输出的技术。在Text2SQL（自然语言转SQL）和Text2API（自然语言调接口）场景中，提示工程的核心目标是将自然语言问题转化为准确的 SQL 查询和具体的 API 调用参数。

Text2SQL和Text2API的提示工程本质是是将领域知识显式化，通过角色定义和业务知识注入（如数据库Schema、API文档），让模型“理解”自然语言背后的真实意图，并将其转化为可执行的结构化指令。

一、Text2SQL

Text2SQL（文本转SQL）是什么？Text2SQL是一种将自然语言描述的查询需求，自动转换为结构化查询语言（SQL）的技术。

LangChain提供SQLDatabaseChain，支持将数据库Schema动态注入提示词，实现端到端的SQL生成与执行。LangChain可以自动提取数据库表结构（Schema）作为上下文。支持多轮对话修正SQL语句。

from langchain.utilities import SQLDatabasefrom langchain.chains import SQLDatabaseChainfrom langchain_community.llms import OpenAIdb = SQLDatabase.from_uri("sqlite:///sales.db")llm = OpenAI(temperature=0)chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)response = chain.run("2024年销售额超过100万的产品是什么？")

如何实现Text2SQL？通过自然语言处理技术进行语义解析（包括实体识别、关系抽取、意图理解），结合预加载的数据库Schema信息，利用大语言模型（LLM）生成符合语法规范的SQL语句。

1. 输入解析：用户提问 → 提取关键实体（表名、字段、条件）。

例如：“统计2024年销售额超过100万的产品” → 提取“销售额（sales）”、“产品（product）”、“年份（year=2024）”、“条件（>1,000,000）”。

2. Schema绑定：结合数据库表结构（Schema），明确字段和表关系。

关键：在Prompt中提供Schema，例如：表orders: id (int), product_id (int), sales (float), date (date) 表products: id (int), name (str), category (str)

3. SQL生成：模型根据Schema和用户意图生成查询语句。

SELECT p.name, SUM(o.sales) AS total_sales  FROM orders o  JOIN products p ON o.product_id = p.id  WHERE YEAR(o.date) = 2023  GROUP BY p.id  HAVING total_sales > 1000000;

4. 结果验证：执行SQL并返回数据，若失败则优化Prompt或追问用户。

二、Text2API

Text2API（文本转API调用）是什么？Text2API（文本转API调用）是一种将自然语言描述的用户需求自动转换为对应用程序接口（API）的调用请求的技术。

LangChain提供APIChain，支持将API文档（如OpenAPI/Swagger）嵌入提示词，引导大模型生成请求参数，可以支持多步骤调用（如先查询用户ID，再调用订单API）。

from langchain.chains import APIChainfrom langchain_community.llms import OpenAIllm = OpenAI(temperature=0)api_docs = """API文档：- 发送邮件：POST /send_email    参数：to（收件人）, subject（主题）, content（内容）  - 查询天气：GET /weather    参数：city（城市）, date（日期）  """chain = APIChain.from_llm_and_api_docs(llm, api_docs, verbose=True)response = chain.run("给Allen发邮件，主题是会议提醒，内容为明天下午2点开会。")

如何实现Text2API？通过自然语言处理技术进行语义解析（含意图识别、实体抽取、上下文理解），结合预加载的API文档信息，利用大语言模型（LLM）生成符合语法规范的API调用请求。

1. API目录管理：维护API文档（端点、参数、权限）。

例如：邮件API文档：POST /send_email  参数：to (str), subject (str), content (str)  权限：需用户OAuth令牌

2. 意图识别：模型解析用户指令，匹配目标API。

例如：“给Allen发邮件，主题是项目开发进度，内容为‘本周完成80%’” → 调用 /send_email。

3. 参数填充：提取并验证参数（如邮箱、内容）。

{    "endpoint": "/send_email",    "params": {"to": "zhangsan@company.com", "subject": "项目进度", "content": "本周完成80%"}  }

4. 执行与反馈：调用API并返回结果（成功/失败原因）。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-07-24

三步打造你的AI专属提示词库，终结无效输入！

2025-07-24

在一个智能体中，提示词应该有那几个模块组成？

2025-07-24

别只会写Prompt！聪明人都在玩“上下文工程”了！

2025-07-23

大模型应用开发的本质——就是对提示词的封装

2025-07-22

Prompt Engineering指南：如何与AI高效对话

2025-07-22

聊透 Prompt 与 Context：AI 时代，如何让机器更懂你？

2025-07-21

如何选择 Prompt 优化还是模型微调

2025-07-21

上下文工程 (Context Engineering) -- 现代 AI 系统的架构基础

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

CoT思维链技术解读及ToT、GoT、PoT等提示词工程框架介绍

2025-05-08

别再和AI说废话了，谷歌的6个prompt黄金法则让你的AI秒变学霸

2025-05-08

我整理了10+提示词，这才是Qwen3的正确打开姿势

2025-05-07

Claude 系统提示词泄露！

2025-05-08

【万字长文】一文搞懂：提示词和提示词工程

2025-05-19

从Prompt Engineering到Context Engineering

2025-06-27

字节新产品太强了，让你轻松成为提示词大师！

2025-06-12

提示词工程：从原理、实践到未来——一部系统性综述

2025-06-21

还在用“请帮我生成...”？谷歌发布提示词秘籍，让AI秒懂你！

2025-05-07

Prompt：解锁AI潜能的核心密钥

2025-07-03

大家都在问

在一个智能体中，提示词应该有那几个模块组成？

2025-07-24

聊透 Prompt 与 Context：AI 时代，如何让机器更懂你？

2025-07-22

一文掌握：AI Agent Prompt是什么？智能体Prompt如何设计？

2025-07-19

🧠提示词的魔力：Prompt 为什么能控制大模型？

2025-07-08

Prompt 到底有啥用？为什么写得好能提升 AI 效果这么多？

2025-07-04

什么是提示词设计？

2025-06-23

为什么大家很少提及Prompt（提示词）了?

2025-06-14

为什么不会提示词（Prompt）用不好AI？

2025-06-04

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB