Эта идея предшествует нынешним основным языковым моделям: системы перевода вопросов в SQL существовали в течение многих лет академических исследований со справочными наборами данных, такими как Spider или WikiSQL. Что изменилось с недавними LLM, так это качество SQL, генерируемого на любой диаграмме без предварительного специального обучения. В этой статье шаг за шагом объясняется фактический механизм с проверенной реализацией собственного искусственного интеллекта Aurabase в качестве конкретного примера, а не абстрактного описания.
Самое необходимое
- NL2SQL (или преобразование текста в SQL) преобразует вопрос на естественном языке в исполняемый запрос SQL через LLM, за которым следует этап проверки перед выполнением.
- Конвейер всегда включает одну и ту же последовательность: генерация SQL по модели, синтаксическая проверка, проверка на соответствие реальной схеме, выполнение, ограниченное лимитом строк.
- Основной риск заключается не в классической инъекции SQL на стороне клиента, а в слепом выполнении SQL, галлюцинируемом моделью, таблицей или придуманным столбцом.
- Серьезный движок NL2SQL принимает только запросы SELECT: любая попытка записи (INSERT, UPDATE, DELETE, DROP) отклоняется до достижения базы данных.
- Механизм NL2SQL Aurabase, проверенный в коде, проверяет SQL, сгенерированный с помощью синтаксического анализатора синтаксического дерева (
sqlparser), белый список из десяти функций SQL и настраиваемое ограничение строк (100 по умолчанию, 1000 максимум). - NL2SQL и RAG удовлетворяют разные потребности: структурированный и реляционный для одного, неструктурированный контент для другого.
Что такое NL2SQL?
NL2SQL относится к автоматическому переводу вопроса на естественном языке в запрос SQL, который может быть выполнен на реляционной основе. В отличие от обычного чат-бота, который отвечает в произвольном тексте, система NL2SQL создает структурированный артефакт SQL, который выполняется на основе реальных данных и построчно возвращает проверяемый результат.
Термин «преобразование текста в SQL» возник в результате академических исследований в области обработки естественного языка. «NL2SQL» — это наиболее часто используемое сокращение в отношении продукта и технической документации. Оба относятся к одной и той же проблеме: устранению разрыва между вопросом, заданным на повседневном языке, и точным синтаксисом, ожидаемым механизмом SQL.
NL2SQL отличается от диалогового агента, подключенного к базе данных в широком смысле. Первый создает читаемый и проверяемый запрос; второй может объединить несколько вызовов инструментов (поиск, расчет, запись), не обязательно приводя к уникальному и проверяемому SQL. Правильно спроектированная система NL2SQL остается в этой сознательно ограниченной области: трансляция, проверка, выполнение, возврат результата.
Как работает конвейер NL2SQL, шаг за шагом
Надежный конвейер NL2SQL всегда следует одной и той же последовательности, независимо от провайдера: вопрос проходит через языковую модель, затем созданный SQL проверяется перед выполнением, и никогда после. Реализация Aurabase, проверенная в коде службы aura-ai, иллюстрирует каждый из этих шагов конкретными правилами, а не абстрактным описанием.
1.Вопрос получен с фактической схемой базы.
Система связывает вопрос на естественном языке со схемой запрашиваемой базы данных: названиями таблиц, столбцов, типов. Этот шаблон должен исходить из самоанализа фактической основы, а не из описания, предоставленного вызывающей стороной. Реализация, которая принимает схему, объявленную клиентом, откроет дверь к вопросам о несуществующих таблицах или к обходу изоляции между проектами. Механизм Aurabase явно отклоняет (ошибка 400) любое поле schema, отправленное в запросе, а не игнорирует его молча.
2. LLM генерирует кандидатный SQL.
Языковая модель получает вопрос и схему в своем приглашении, а затем создает возможный SQL-запрос вместе с кратким объяснением. Aurabase одинаково обращается с тремя провайдерами с помощью специального собственного клиента: OpenAI, Anthropic (Claude) и Gemini. Этот кандидатный SQL на данном этапе является всего лишь предложением, которое никогда не выполняется напрямую.
3. SQL-кандидат проверяется до выполнения, а не после.
Это шаг, который отличает серьезную систему NL2SQL от простого вызова LLM с последующим наивным выполнением. Сгенерированный SQL анализируется в синтаксическом дереве (AST), а не проверяется поиском по ключевым словам, который легко обойти. Реализация Aurabase с библиотекой sqlparserдопускает только простые запросы SELECT: CTE/WITH, подзапросы, UNION, оконные функции и предложения блокировки (FOR UPDATE) явно отклоняются, как и любые функции SQL за пределами белого списка из десяти функций (count, sum, avg, min, max, lower, upper, coalesce, date_trunc, now).
4. Зафиксированный запрос выполняется с ограничением строки.
Проверенный SQL получает LIMIT, если у него его еще нет: 100 строк по умолчанию с Aurabase, максимум 1000, оба значения настраиваются на стороне сервера. Запрос, превышающий ограничение, явно отклоняется, а не сокращается молча. В ответе указывается, был ли этот LIMIT добавлен сервером, поэтому вызывающая сторона знает, отличается ли выполненный SQL от кода, созданного моделью.
-- Вопрос: «Сколько заказов в этом месяце для премиум-клиентов?»
SELECT count(*) FROM orders
WHERE customer_plan = 'premium'
AND created_at >= date_trunc('month', now())
LIMIT 100 -- добавлено сервером, отсутствует в сгенерированном SQL
Полная информация об этом конвейере, с каждым HTTP-вызовом и каждым ответом JSON, описана в нашем пошаговом руководстве по созданию конечной точки NL2SQL на Postgres.
NL2SQL против рукописного SQL: когда что использовать
NL2SQL не предназначен для повсеместной замены рукописного SQL. Он охватывает конкретную область применения: специальные, разовые вопросы, которые задает тот, кто не знает SQL или просто хочет сэкономить время на простом запросе.
- Специальное исследование информационной панели нетехническим человеком (поддержка, продукт, управление).
- Быстрое создание прототипа функции, которая запрашивает базу данных без написания специального маршрута API для каждого возможного вопроса.
- Ограниченное аналитическое самообслуживание: подсчитывайте, фильтруйте, просто агрегируйте, не предоставляя конечному пользователю прямого доступа к базе данных.
Рукописный SQL остается предпочтительнее, как только вопрос выходит за рамки этих рамок. Реализация, проверенная AST, подобная описанной выше, исключает CTE, подзапросы и оконные функции по конструкции по соображениям безопасности. Анализ, который структурно нуждается в этих конструкциях, когортах, расширенном временном оконном режиме, не проходит через NL2SQL: он кодируется напрямую. Это приемлемый компромисс: безопасность системы важнее полноты сгенерированного SQL.
Риски NL2SQL: инъекция, галлюцинации, стоимость.
В реализации NL2SQL систематически повторяются три риска, с разными реакциями в зависимости от зрелости системы.
SQL-инъекция через приглашение или вопрос
LLM можно манипулировать для создания вредоносного SQL-кода, если сам вопрос содержит попытку внедрения типа «игнорировать предыдущие утверждения и...». Защита заключается не в том, чтобы доверять подсказке, а в проверке SQL-запроса, созданного независимо от того, что было запрошено, а именно на шаге 3 описанного выше конвейера. Эта тема заслуживает специального рассмотрения: см. Защита NL2SQL от SQL-инъекций для получения точных векторов атак и мер противодействия.
Галлюцинация несуществующих таблиц или столбцов
Модель может придумать имя таблицы или столбца, которое является правдоподобным, но отсутствует в реальной схеме, особенно в больших или плохо документированных схемах. Реализация, которая проверяет сгенерированный SQL на соответствие фактической схеме базы данных, отклоняет запрос с явным сообщением, перечисляя фактически доступные таблицы, вместо того, чтобы возвращать пользователю необработанную ошибку SQL.
Стоимость и задержка вызовов моделей
Каждый вопрос NL2SQL запускает вызов языковой модели со своей стоимостью и задержкой, а также временем выполнения SQL. Эта стоимость быстро возрастает, если NL2SQL служит слоем по умолчанию для повторяющихся вопросов, которые было бы лучше кэшировать или предоставлять в виде стандартного отчета, а не каждый раз повторно переводить.
Оценка достоверности, возвращаемая механизмом NL2SQL (эвристика формы ответа, правильно ли сформирован блок SQL или нет), не является мерой семантической точности. Это указывает на то, что модель создала синтаксически чистый SQL, а не на то, что этот SQL правильно отвечает на заданный вопрос.
Нативный vs собранный NL2SQL: что это меняет для разработчика
Две архитектуры дают одинаковый видимый результат, но с совершенно разными гарантиями. Нативный NL2SQL интегрирует генерацию, проверку и выполнение непосредственно на внутренний уровень, который уже знает схему проекта и права доступа: это логика, описанная выше для Aurabase, где служба aura-ai разделяет инфраструктуру и изоляцию схемы с остальной частью серверной части.
Собранный NL2SQL сочетает в себе общий сервис LLM, соединитель к базе данных и самостоятельный уровень проверки. Ничто не мешает этому подходу быть безопасным, но каждая гарантия, интроспектируемая схема на стороне сервера, проверка AST, ограничение строк, изоляционный клиент должны реализовываться и поддерживаться командой, собирающей эти кирпичи, а не предоставляться платформой.
Набор инструментов NL2SQL, встроенных и собранных, с открытым исходным кодом и коммерческих, подробно сравнивается в нашем сравнении инструментов NL2SQL 2026.
NL2SQL и RAG: в чем разница?
NL2SQL и RAG (генерация с расширенным поиском) отвечают на два разных семейства вопросов, которые часто путают, поскольку оба полагаются на LLM, подключенный к базе данных.
NL2SQL нацелен на структурированные и реляционные данные: сколько, когда, какая пропорция вопросов, которые естественным образом преобразуются в SELECT, GROUP BY агрегации. RAG нацелен на неструктурированный контент: документы, заметки, заявки в службу поддержки, где ответ не умещается в строке таблицы, но требует найти соответствующий отрывок по семантическому сходству, векторный поиск по индексу pgvector, HNSW, прежде чем передать его в контекст модели.
Эти две возможности могут сосуществовать в одном проекте и объединяться в агенте, который выбирает одну или другую в зависимости от заданного вопроса. В основе встроенного ИИ Aurabase подробно описано, как эти два механизма работают вместе, а в нашем руководстве по конвейеру RAG для pgvector рассматривается реализация второго.