简单和大家聊聊nlp2sql 以及 SQL数据分析存在的问题,以及解决方案。

AI专题(一)----NLP2SQL探索以及解决方案 前面写了很多编码、算法、底层计算机原理等相关的技术专题,由于工作方向调整的缘故,今天开始切入AI人工智能相关介绍。本来按照规划,应该先从大模型的原理开始介绍会比较合适,但是计划赶不上变化,前面通用大模型的工作处于高度紧张状态,没来得及写;这段时间在准备启动AI+大数据的工作,跟NLP2SQL强相关,做了些调研,谨以此文章记录相关的技术以及想法。‌。其核心目标是通过理解人类日常语言,生成对应的数据库操作指令,降低非技术人员对实时生产系统的数据查询门槛。 阅读详情
AI摘要

本文介绍了nlp2sql和SQL支持自然语言处理两项技术。nlp2sql可改变交互方式,但目前准确率低,存在表召回、大模型理解和目标语言复杂等难点;SQL支持自然语言处理则突破了传统数据分析能力。还展示了相关效果演示,提及第二代RAG系统优势及当前面临的挑战。

快速过下背景:

1. nlp2sql 去年大模型一出来,大家就开始搞了,但是目前准确率普遍上不去,导致很难普及。这个技术主要是改变交互,从人讲自然语言需求写SQL改成大模型来理解自然语言,写SQL。

2. SQL内置大模型函数支持实现对传统数据分析能力的突破,这个去年应该是我们和 Databricks 搞的比较早,我们可能略早(纯瞎猜),而且底层技术方案可能也完全不一样。这个技术就是补上了SQL 对非结构化数据分析的能力,实现了很大的突破。去年和今年上半年,受限于大模型速度以及成本,还有就是企业对大模型的认知还停留在知识库构建上,所以没有得到重视。

现在来说下技术的难点。

NLP2SQL

nlp2sql 目前难点有三个:

1.  表召回的准确度 (企业有几万到几十万张表,根据一句话要准确获取到哪些相关的表是一件很困难的事情)

2. 大模型对查询的理解(在企业里需要召回大量背景知识,否则大模型理解一定会有偏差)

3. 目标语言的复杂性(常见sql大模型通常都会搞混,比如把 oracle的函数用在了 spark sql里。此外单条SQL语句复杂度足够高也会导致直接生成不出来) 

可以看到,1,2 两点本质上还是考验RAG召回系统,只要 RAG 系统做的好,效果自然就会好,我们的第二代以大模型为核心的RAG系统很好的提升了召回效果。

对于第三点,Byzer-SQL 可以将一条复杂的SQL语句通过几条简单的SQL语句完成,极大的降低了模型生成SQL的难度。

SQL支持自然语言处理

第二个就是以传统SQL分析的体系,一直没办法对表里的文本字段做NLP分析的。但实际上大量的文本字段存在于用户的业务系统里,数据湖,数仓,甚至以excel,csv 格式存在。

举个例子,对一个评论表,我想统计有多少负面评论,这个在以前单纯使用SQL是没有办法解决的。一般需要找算法团队开发一个算法,然后加一个字段,然后再用SQL统计。基本随便一个需求可能就需要耗时至少一周,以及两个团队的协作。

我们去年就在Byzer SQL里添加了大模型UDF函数,并且已经支持市面上主流的大模型,解决了传统SQL无法分析表文本字段的能力。


效果演示

这个视频的例子很简单,但底层其实不简单,底层其实依赖了三个系统:

1. 一个schema RAG 系统 (企业把业务数据里的表schema 导入进来就行)

2. 一个知识 RAG 系统(比如如何使用 Byzer-SQL, 企业内部的文档和黑话等)

3. 一个支持了大模型函数的 SQL 分布式执行引擎

视频中演示的系统把这三个系统有机的串联起来了。前面我们说到,我们的第二代以大模型 RAG 系统抛弃了一代 以 emb/retrank 为核心的RAG系统。

这里简单的解释下为什么第一代 RAG系统已经很难有提升潜力了:

以chunk 为粒度,使用emb召回的系统,存在严重的信息损耗,并且基本不可解决。这个损耗包括:数据切片导致的信息丢失,召回过程中存在chunk 同质化严重(比如top3 的chunk 可能都是类似的话), chunk 的排序导致人为的将数据打乱,极大的干扰了大模型的理解。这些问题是一代RAG系统的基因问题,很难通过革新来解决,必须推倒重来。

此外,emb/rerank 模型自身提升上限很低。

我们第二代系统的特点:

1. 动态文件为粒度,具有更好的上下文。

2. 召回和理解都采用大模型,效果随着大模型的提升而自动提升。

我们第二代 auto-coder RAG 工程上充分利用大模型,和充分利用GPU 算力的技巧差不多:

1. 使用 deepseek tokenizer 用于离线计算token数,方便无限逼近128k  窗口,窗口和GPU计算一样不能浪费,必须打满。

2. Prompt 构建要尽可能保证前面部分不变,后面部分变化,从而尽可能触发 deepseek 的缓存。目前还有不少可以优化的空间。这个和 GPU kv cache的使用很像。

3. 尽可能输入多,输出少,加上前面两部分,可以实现非常低的成本并且速度很快,从而可以实现高并发低延迟过滤,而过滤质量又远超向量和rerank。

4. 对于超出窗口的内容,我们设计了一套新算法,采用了使用大模型动态根据query 抽取相关上线文,并且能够保证速度可控,成本可控。

当前的还有一些挑战我们正在攻克

当然了,当前的 auto-coder RAG 的效果虽然很好,但也还存在一些限制:诸如 无法在合适的时间处理几十万以及以上的文档,查询时间相比一代较长,整体速度在30-60s 之间, token消耗很大,并且要需要大模型支持高并发。不过这些未来都可以通过工程解决。

而在SQL中调用大模型遇到的问题是类似的,执行速度远比一般 SQL 函数慢几个量级,token成本很容易失控,需要更好的控制并发,但是没半年到一年模型价格至少下降 80%的,速度也会获得很大提升,相信很快这些问题都会得到缓解。

自然语言转SQL的应用场景探索 阅读详情

相关推荐

NLP的重要里程碑:从NL2SQL到语言与SQL查询的转换

自然语言处理(NLP)是人工智能领域的一个重要研究方向,旨在使计算机能够理解和处理人类语言。近年来,NL2SQL(自然语言到结构化查询语言)成为NLP领域的一个重要里程碑,它涉及将自然语言查询转换为数据库查询语言,为用户提供更方便和直观的数据检索方式。本文将深入探讨NL2SQL的背景、挑战和解决方案,并提供相应的源代码示例。

DbjkKubernetes的博客 1510

自然语言转SQL(NL2SQL、Text2SQL)

使用 FastAPI 框架和 LangChain 库构建的简单 Web 服务,其目的是将自然语言处理(NLP)应用于 SQL 查询生成。以下是代码中使用的技术架构和业务流程的详细说明:FastAPI:一个现代、快速(高性能)的 Web 框架,用于构建 API。Uvicorn:一个 ASGI 服务器,用于在异步环境中运行 FastAPI 应用。LangChain:一个用于构建自然语言处理管道和链的库,这里用于将自然语言查询转换为 SQL 语句。MySQL Connector:一个数据库连接器,用于连接和操作

Kally_tao的专栏 5056

Grok-1.5+Ollama企业级本地化部署与合规实践指南

本文详细介绍了Grok-1.5+Ollama企业级本地化部署与合规实践指南,重点分析了本地化部署的成本优势和数据主权保障。通过RTX 4090显卡的硬件选型、Ubuntu 22.04系统优化及部署流程中的关键陷阱规避,为企业提供了高效、安全的AI模型部署方案。特别适合金融、医疗等敏感行业。

weixin_29094539的博客 186

NLP2SQL 技术原理

NLP2SQL技术通过四大模块实现自然语言到SQL的转换:1)自然语言理解模块解析查询意图和实体;2)数据库模式映射模块关联语言实体与数据库元素;3)语义解析模块生成中间逻辑表示;4)SQL生成模块输出可执行查询。该技术正从传统规则方法转向深度学习,利用大模型提升复杂查询处理能力。核心挑战包括语义歧义、动态数据库模式和安全问题,未来将向端到端生成、多模态交互和垂直行业应用发展。NLP2SQL推动数据查询民主化,使非技术人员也能高效获取数据库信息。

Made In SQL 1559

手把手教你用vLLM在昇腾910B上部署Qwen3-Embedding-8B模型(保姆级避坑指南)

本文详细介绍了如何在昇腾910B芯片上使用vLLM推理引擎部署Qwen3-Embedding-8B模型的全流程,包括环境准备、vLLM-ascend定制化安装、模型获取与校验、环境变量配置、服务启动参数优化、性能压测及生产级部署建议。特别针对昇腾生态的开发者,提供了保姆级的避坑指南和实用技巧,帮助实现高效稳定的模型部署。

weixin_28726671的博客 466

ODrive0.5.5源码分析(1) ADC的处理

odrive 0.5.5 ADC

danger的博客 4312

NLP-语义分析(Semantic Parsing):Text2SQL【“打破人与结构化数据之间的壁垒”,即普通用户可以通过自然语言描述完成复杂数据库的查询工作】

Text to SQL( 以下简称Text2SQL),是将自然语言文本(Text)转换成结构化查询语言SQL的过程,属于自然语言处理-语义分析(Semantic Parsing)领域中的子任务。,即普通用户可以通过完成复杂数据库的查询工作,得到想要的结果。

u013250861的博客 3348

【上海大学计算机组成原理实验报告】七、程序转移机制

学习实现程序转移的硬件机制//掌握堆栈寄存器的使用//手动方式实现子程序调用转移过程//手动方式实现子程序返回转移过程//编程实现`OUT`寄存器交替显示`11`和`55`//若要求`11`和`55`各显示`50`次后停机,应该如何修改程序?//根据实验指导书的相关内容,实验箱系统的程序转移硬件机制在于,当`LDPC`有效时,如果此时`DUBS`上的值就是转移的目标地址,则此目标地址被打入`PC`,从而实现程序的转移;若`LDPC`为`0`是附带条件的,就形成“条件转移”。

HackerKevon的博客 2476

NLP-语义解析(Text2SQL):技术路线【Seq2Seq、模板槽位填充、中间表达、强化学习、图网络】

结合预训练模型、语义匹配的方法,该方法以表格内容作为预训练语料,结合语义匹配任务目标输入数据库Schema,从而选中需要的列,例如:BREIDGE、GRAPPA等。

u013250861的博客 3075

Android Geckoview实战:5分钟搞定JS与原生交互(附完整Demo代码)

本文详细介绍了在Android应用中使用GeckoView替代系统WebView,构建稳定高效的JavaScript与原生代码交互桥梁的实战方法。通过WebExtension架构,文章提供了从环境配置、扩展开发到Android端集成的完整步骤,并附有可运行的Demo代码,帮助开发者快速解决混合应用中的兼容性问题。

u5v6w7的博客 943

WPF数据绑定Binding对数据的转换与效验(四)

Binding的作用就是架在Source与Target之间的桥梁,数据可以在这座桥梁的帮助下来流通。就像现实世界中的桥梁会设置一些关卡进行安检一样,Binding这座桥上也可以设置关卡对数据的有效性进行检验,不仅如此,当Binding的两端要求使用不同的数据类型时,我们还可以为数据设置转换器。Binding用于数据有效性检验的关卡是它的ValidationRules属性,用于数据类型转换的关卡是它的Converter属性。

qq_30725967的博客 1632

NLP算法岗一年半的工作总结--聊聊什么才是NLP算法工程师的核心竞争力

首发公众号:【 NLP从入门到放弃】--日常更新技术分享先简单自我介绍一下,我任职在一家社交公司,做NLP算法工程师,主要做文本分类,序列标注,文本相似度方向的工作,也做过搜索/推荐方向的需求。工作快有一年半的时间了,在这一年半的时间里,我在工作的同时,一直都在思索,究竟什么才是算法工程师的核心竞争力,怎样才能避免刚入行就不停被灌输的那个35岁中年危机。我看过很多别人的经验总结,结合我自己的工作经历,慢慢有了一点自己的感悟,想要分享出来,希望对大家能有帮助。我用一句大白话说一下我自己对核心竞争力的总结就是:

古月哲亭 893

一分钟了解OpenSpec (规格)

OpenSpec是由Fission AI开源的轻量级规范驱动开发(SDD, Spec-Driven Development)CLI工具。它专为AI编程助手(如Cursor、Claude Code)设计,核心是**“先约定,后编码”:在AI写代码前,先通过结构化规范文档达成共识,让开发过程可预测、可审计、可协作**。轻量无侵入:单CLI、无依赖、不改造项目、1分钟接入存量友好:增量Spec、不重构旧文档、1→n王者完全可控:每步审查、AI按图施工、零返工协作利器。

h a 6 6 6 c k 为 你解决复杂难题! 2840

AI赋能数据分析:普通人如何用自然语言处理与代码生成模型实现高效洞察

自然语言处理(NLP)和代码生成模型是人工智能领域的核心技术,它们使计算机能够理解和生成人类语言与代码。其原理在于通过大规模数据训练,模型学习语言与代码的语法、语义及模式,从而实现对非结构化指令的解析与转化。这些技术的价值在于大幅降低了人机交互的门槛,将复杂的编程任务简化为自然语言描述,极大地提升了工作效率与可及性。在数据分析这一典型应用场景中,传统流程要求从业者掌握SQL、Python等专业技能,形成了较高的技术壁垒。如今,借助NLP与代码生成模型,用户可以直接用“说人话”的方式提出分析需求,例如进行数据

weixin_31499265的博客 279

第3.1.3章 机器人第三方库实战总结:ROS 2 入门实战及和ROS1的对比,打通机器人开发的任督二脉

本文针对机器人SLAM开发中第三方库的学习痛点,重点介绍ROS 2在SLAM中的应用。文章首先对比ROS 1与ROS 2的核心差异,梳理ROS 2知识图谱,包括节点、话题、服务等核心概念。通过实战项目演示如何构建激光SLAM节点,结合代码详解运行流程。最后给出学习建议,强调动手实践的重要性,帮助开发者快速掌握ROS 2在SLAM开发中的关键应用。

行知SLAM 185

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

利用nlp_structbert优化数据库查询:实现自然语言到SQL条件的语义转换

本文介绍了如何利用星图GPU平台,自动化部署nlp_structbert_sentence-similarity_chinese-large镜像,构建一个自然语言到SQL条件的语义转换系统。该系统能将用户的口语化查询(如“找出上月销售额最高的产品”)自动匹配并转换为数据库查询条件,有效降低非技术人员的数据获取门槛,提升数据分析效率。

weixin_35390379的博客 369

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

来聊聊向量查询

在软件项目中,开发人员往往会尽力搜寻各种数据库优化技术,尤其是那些能够提高大型数据库查询效率的技术。在传统的SQL数据库中,我们通常只能使用“B树索引”或简单的“索引”等关键词,来查找各种博客或文章信息。不过,这种基于关键字的方法可能会忽略掉那些使用了诸如:“SQL调整”或“索引策略”等不同、但属于相关短语的重要内容。 另一种情况是,应用可能知道上下文,但不知道特定技术的确切名称。因此,对于依赖精确的关键词匹配的传统数据库而言,应用是无法仅根据上下文来进行查询的。 对此,我们需要一种超越简单关键

xuxian的博客 1199

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

聊聊 FocusSearch/focus_mcp_sql:Text2SQL 的新玩法

最近在 GitHub 上逛的时候,发现了一个挺有意思的项目——FocusSearch/focus_mcp_sql。作为一个对 Text2SQL 有点小研究的前端码农,我忍不住想和大家聊聊这个工具。它不像那些常见的基于大模型的框架那样“高大上”,反而用了一种更接地气的思路解决问题。接下来,我就从 Text2SQL 的老故事讲起,带你看看这个项目能干啥,顺便设想一个场景,最后再唠唠为啥我觉得它值得开...

weixin_41260423的博客 148

PROJECT MOGFACE与数据库联动应用:自动化生成SQL查询与数据分析报告

本文介绍了如何利用星图GPU平台,一键自动化部署🔥 PROJECT MOGFACE: CONTRA SQUAD 🔥镜像,构建一个智能数据查询与分析系统。该系统能将用户的自然语言问题(如“查询上月销售额前十的品类”)自动转换为SQL语句并执行,最终生成简洁的数据分析报告,极大地降低了业务人员获取数据洞察的技术门槛。

weixin_35950531的博客 218

聊聊我在美团做算法的感受

点击上方,选择星标或置顶,每天给你送上干货卷友们好,我是对白。虽然假期余额已然不足,但我们依然不能停下奋斗的脚步,因为总有人比你更努力,也比你更卷,在算法的这条道路上卷出了天际。哈哈开个玩...

zenRRan的博客 471

产品经理岗,Kaggle 比赛经历能体现数据分析能力吗?

Kaggle 经历的真正价值,在于证明你具备用数据解决复杂问题的能力。它不是产品经理求职的敲门砖,而是加分项。能力转化:将数据科学能力转化为产品思维和业务洞察。场景应用:将 Kaggle 经验应用于实际产品场景,解决真实问题。持续学习:不断提升自己的产品能力和行业知识,形成核心竞争力。对于产品经理来说,Kaggle 经历就像一把瑞士军刀—— 它不是万能的,但在某些特定场景下能发挥关键作用。关键在于,你是否能将这把刀磨得足够锋利,并用它雕刻出属于自己的产品价值。

2501_91798322的博客 1161

数据分析转大模型:实践笔记 90

本文概述文章目标、核心观点和实践价值。之前做 BI 报表的时候,老板最常问的一句话是:“这个数据准吗?为什么跟财务那边对不上?”那时候我的回答通常是去查 SQL 逻辑、对 ETL 日志,或者干脆拉个 Excel 手动复核。整个过程耗时半天,且极度依赖个人的经验。现在有了 LLM(大语言模型),同样的问题我可能只需要花 5 分钟就能通过一个“智能分析 Agent”得到初步的诊断报告,甚至直接给出修正后的查询语句。这不仅仅是效率的提升,更是工作范式的转移。

m0_62051288的博客 311

SQL/AI生成ER图实操指南、告别手动绘图烦恼

大学生真正需要的ER图工具,核心是“免费、零门槛、高适配、强关联SQL”——既能快速生成规范ER图,适配课设毕设论文格式要求,又能衔接MySQL、SQL Server实操,帮助小白理解技术原理,同时节省时间、规避踩坑,专注于核心的数据库设计和论文撰写。

m0_73232524的博客 1005

我的职业经历与数据分析学习之路规划(2019-05-10)

教育背景 2017年毕业,信息与计算科学专业,本科学历,学校双非(非985非211)。大学主要学数学和计算机编程相关的课程,属于数学系里面的分支,感兴趣的小伙伴可以搜索了解下这个专业。在学校经常自嘲自己专业:数学学不过数学专业的,计算机学不过计算机专业的。 职业背景 职业经历之路 毕业两年,待过两家公司,做过很多岗位,从实习期间的售前实习生,到转正后的售前工程师,再到后来的助理产品经理等等。兜兜转...

lailq的博客 801

让AI帮你写SQL?揭秘“提及抽取+链接”新范式,文本到SQL的终极秘籍!

与其把SQL拆成一堆槽位,不如把整个问题当成一段文本,直接在里面“圈出”所有和SQL相关的元素(我们称之为“提及”/mention),再把这些提及和数据库表的schema(表头)一一对应(链接),最后自动拼成SQL。过去几年,Text-to-SQL领域的主流做法是“拼装式”——把SQL拆成若干“槽位”(slot),比如SELECT的列、WHERE的条件、聚合函数等,然后为每种槽位单独训练一个小模型,最后拼起来。”),序列标注模型天生偏平,处理起来有点吃力,需要进一步升级(比如层次化标注、多粒度建模等)。

dotNET跨平台 223
上一篇: 让你的 terminal 秒变warp 自带自然语言交互buff
下一篇: AI辅助编程里的 Atom Group 的概念和使用
祝威廉
祝威廉 领域专家: 大数据技术领域 领域专家: 大数据技术领域
博客等级 码龄18年 1805粉丝 572原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址