企业官网建设流程全解析

Chat2DB AI SQL 完整指南：3 个高频场景快速上手自然语言转 SQL、慢查询优化与跨库迁移

【免费下载链接】Chat2DBChat2DB is a free, cross-platform, local-first database client and SQL workspace for developers, DBAs, analysts, and data teams. Connect to 40+ databases, manage data, edit and run SQL, and use your own AI model to generate, explain, and optimize queries. Available on desktop, web, Docker, and CLI, with MCP support.项目地址: https://gitcode.com/GitHub_Trending/ch/Chat2DB

周五下午，运营同学甩来一句"帮我把上季度各产品线的销售额按季度拆一下，出个表"。你打开 Chat2DB，把这句话原样贴进 AI 助手输入框，选几张相关表，几秒钟后一条可以直接运行的 SQL 出现在编辑器里——生成、解释、优化、换库改写，都在同一个窗口完成。这就是 Chat2DB 的 AI SQL 功能定位：把你的 AI 模型接进来，让写 SQL 这件事从"背语法"变成"说人话"。

2 步配置模型接入，跑通第一条 AI 查询

🔧 先解决"AI 模型从哪来"。点右上角设置按钮，进入设置页的 ApiKeys 子页（对应源码chat2db-community-client/src/blocks/Setting/ApiKeys/），你有两种接入方式：

• OpenAI 兼容接口：填 API Key 和 Base URL，支持开启流式输出，网络不通时顺手配一下代理；
• 自定义 AI 服务：只填接口地址即可，适合企业自建的模型网关。

填完 Key 后不需要重启，直接在 SQL 编辑器旁边切到 AI 助手标签，输入"查询 2023 年每个季度各产品类别的销售额"，点生成，第一条 AI 查询就通了。

架构上你可以完全不关心细节：AI 模块分为接入层（处理你的输入和配置）、处理层（NL2SQL、解释、优化的提示词编排）、适配层（对接 40+ 种数据库的插件）。你只需要在接入层选好模型，剩下的交给适配层里对应数据库的插件。前端与服务端的请求骨架在chat2db-community-client/src/service/ai.ts和src/service/sql.ts中，四类核心能力的类型定义则集中在src/constants/chat.ts：

export enum QuestionType { NL_2_SQL = 'NL_2_SQL', // 自然语言转 SQL SQL_EXPLAIN = 'SQL_EXPLAIN', // SQL 解释 SQL_OPTIMIZER = 'SQL_OPTIMIZER', // SQL 优化 SQL_2_SQL = 'SQL_2_SQL', // 跨库转换 }

3 个高频场景的完整走法

下面每个场景都按"你输入什么 → 你点哪里 → 你得到什么"来说，各配一个最小可用示例。

H3 场景 A：把需求翻译成 SQL（自然语言转SQL）

你输入什么：一句日常需求，比如"2023 年每个季度各产品类别的销售额，按类别分组"。需求越具体越好，带上表名和字段名会更准。

你点哪里：AI 助手标签 → 勾选相关数据表（支持多选，让模型看到表结构）→ 点"生成 SQL"。

你得到什么：一条带 JOIN 和 GROUP BY 的完整查询，可直接执行：

SELECT DATE_FORMAT(o.order_date, '%Y-%m') AS quarter, p.category, SUM(o.amount) AS total_sales FROM orders o JOIN products p ON o.product_id = p.id WHERE o.order_date BETWEEN '2023-01-01' AND '2023-12-31' GROUP BY quarter, p.category ORDER BY quarter, total_sales DESC;

生成后觉得不对？在对话框里追一句"用 create_time 而不是 update_time 过滤"再重新生成即可，不用从零描述。

H3 场景 B：看懂并提速一条慢 SQL（解释 + 优化）

你输入什么：一条同事留下的慢 SQL，比如带 CTE 的统计查询：

WITH act AS ( SELECT user_id, COUNT(*) AS c FROM login_log WHERE login_time > DATE_SUB(NOW(), INTERVAL 30 DAY) GROUP BY user_id) SELECT u.name, act.c FROM users u LEFT JOIN act ON u.id = act.user_id WHERE act.c > 10 OR act.c IS NULL;

你点哪里：先在编辑器里选中 SQL，右键选"AI 解释"（可追加"重点解释 JOIN 逻辑"）；确认读懂后，在查询结果区点"优化建议"，等 3-5 秒。

你得到什么：先是白话解释（"找出近 30 天登录超 10 次的用户，外加从未登录的用户"），然后是具体可执行的优化项：把 IN 子查询改 JOIN、补(user_id, create_time)复合索引、把SELECT *改成明确列。按建议改完重跑，执行时间通常能明显下降。

H3 场景 C：把 SQL 搬到另一种数据库里（跨库转换）

你输入什么：一条 MySQL 语法的查询：

SELECT DATE_FORMAT(create_time, '%Y-%m-%d') AS day, COUNT(*) FROM logs GROUP BY day HAVING day >= DATE_SUB(NOW(), INTERVAL 7 DAY);

你点哪里：在编辑器中选中 SQL → 选择目标数据库类型（Oracle、PostgreSQL、SQL Server 等 10+ 种）→ 点"转换"。

你得到什么：语法差异被自动处理后的目标库版本，DATE_FORMAT变成TO_CHAR，DATE_SUB换成对应的日期运算，GROUP BY 的写法也一并按 Oracle 规范调整。你只需要 diff 一遍结果、跑一次验证，就能放心迁移。

踩坑与调优速查 ⚡

• 如果你遇到 NL2SQL 生成的结果不对→ 大概率是表结构上下文不足或需求太模糊。在输入里补上下文："使用 orders 表的 create_time 字段过滤"，再重新生成。
• 如果你遇到长 SQL 优化耗时过长→ 模型需要处理大量执行计划信息，可以把大查询拆成片段分别优化，或在应用配置中调低分析深度。
• 如果你遇到自定义 AI 服务连接失败→ 先确认接口是 OpenAI 兼容格式（POST + JSON + Bearer 认证），再看网络代理配置；相关请求格式见src/service/ai.ts中的请求封装。
• 如果你遇到 API Key 次数用完或过期→ 设置页 ApiKeys 里重新生成即可，列表里可直接复制、可设置永不过期。
• 如果你在团队/企业环境使用→ 权限控制、敏感表过滤、操作审计等企业级配置在同一设置入口下管理，给分析师只开 AI 解释与优化、把生成权限收在 DBA 手里，是一个常见的分工方式。

能力速查与延伸入口 📊

想确认四类能力的完整枚举，直接看chat2db-community-client/src/constants/chat.ts里的QuestionType；产品层面的使用说明可参考仓库根目录的README_CN.md，配合docs/guides/下的开发指南，基本覆盖了从接入到二次开发的常见问题。

【免费下载链接】Chat2DBChat2DB is a free, cross-platform, local-first database client and SQL workspace for developers, DBAs, analysts, and data teams. Connect to 40+ databases, manage data, edit and run SQL, and use your own AI model to generate, explain, and optimize queries. Available on desktop, web, Docker, and CLI, with MCP support.项目地址: https://gitcode.com/GitHub_Trending/ch/Chat2DB