之前使用chatglm3的自定义工具实现了查询MySQL数据库，但感觉功能还是比较受限。
https://blog.csdn.***/weixin_44455388/article/details/135270879?spm=1001.2014.3001.5501
前言
将自然语言文本（Text）转换成结构化查询语言 SQL，帮助用户快速生成想要查询的 SQL 语句；或者是用户输入一段话，然后系统完成一系列自动化查询和报表展示的操作，过自然语言描述完成复杂数据库的查询工作，得到想要的结果。
Text2SQL的构建
我们在 Text2SQL 上面的应用主要包括两个阶段，第一阶段是利用 LLM 理解你的请求，通过请求去生成结构化的 SQL；下一个阶段是在生成的 SQL 上自动化的查询数据库，返回结果，然后利用 LLM 对结果生成总结，提供分析。
第一阶段：SQL脚本构建
利用 LLM大模型理解文本信息，生成 SQL。因为考虑到数据的安全性，我们考虑使用ChatGLM生成SQL语句，从测试结果看，ChatGLM和GPT 对比，还是有比较大的差距，所以无法直接使用。
（1）构建数据信息表的 schema，利用 LLM 生成 embedding
这里我们根据用户描述的 text，让预训练的 chatglm2-6b 生成 embedding，通过 embedding 检索的方式，选出 top1 数据表，这个过程属于先验过滤阶段。
数据表的 schema 设计非常重要，需要描述清楚这个表它的主体信息以及表中重要字段和字段含义。
以下是我们设计的schema：
–tableName表示表名
–info表示该表的描述信息
–fields表示表字段信息，包括英文字段名、中文字段名和字段类型
[
{
"tableName":"prompt_history",
"info":"问答历史会话记录表，包括会话编号id、会用编号id、会话历史记录、会话时间。",
"fields":{
"session_id":"会话编号，String",
"user_id":"用户编号，String",
"history":"会话历史，String",
"create_time":"会话时间，datetime"
}
},
{
"tableName":"***mon_prompt",
"info":"常用prompt提示词表，包括提示词id、提示词标题、提示词内容。",
"fields":{
"id":"提示词id，int",
"title":"提示词标题，String",
"content":"提示词内容，String"
}
}
]
开发代码，将以上表信息进行向量化，存储到向量数据库：
public void addTable2Milvus(MultipartFile file) {
List<String> sqls = new ArrayList<>();
StringBuilder sb=new StringBuilder();
try (InputStream inputStream = file.getInputStream()) {
byte[] buffer = new byte[1024];
int bytesRead;
while ((bytesRead = inputStream.read(buffer))