一文彻底搞懂大模型实战

Text2SQL技术 ，行将 人造言语查问转换为结构化查问言语 （SQL）的技术，正在迅速成为数据库查问的一个关键工具。它使得 非技术用户 能够经过 人造言语 与 数据库 启动交互，极大地提高了数据库操作的方便性和效率。

接上去分两局部：干流数据集、干流实战方法（SQLCoder + DB-GPT-Hub），一同来深化了解大模型实战：Text2SQL。

一、干流数据集

什么是Text2SQL数据集？ Text2SQL数据集是指一类 专门用于训练Text2SQL （文本到SQL）模型的数据汇合。

Text2SQL数据集理论蕴含 少量的人造言语查问（如疑问或指令）和对应的SQL查问语句 。这些对导致了模型学习的基础，使模型能够学会将人造言语查问转换为SQL查问。

Text2SQL数据集有哪些？ Spider、WikiSQL和CHASE等干流Text2SQL数据集提供 人造言语查问与SQL查问对应数据 ，训练和评价模型将人造言语转换为SQL查问的才干。

二、干流实战方法

基于大言语模型的Text2SQL干流实战方法是什么？ 重要包括两种： （1）基于Text2SQL模型结合业务启动微调；（2）基于开箱即用的Text2SQL Agent结合业务整合到运行

1、基于SQLCoder模型，结合业务启动微调

第一步：微调前预备（下载模型和数据集）

第二步：模型微调（搜集业务数据、选用微调战略、训练模型、评价模型）

第三步：模型部署与推理

2、基于开箱即用的DB-GPT-Hub，结合业务整合到运行

DB-GPT是一个 开源的AI原生数据运行开发框架 (AI Native> 目标是构建大模型畛域的基础设备，经过开发多模型治理(SMMF)、 成果优化、 RAG框架 以及优化、 Multi-Agents框架单干 AWEL(智能体上班流编排) 等多种技术才干，让围绕数据库构建大模型运行更繁难，更繁难。

DB-GPT-Hub 是一个应用LLMs成功 Text-to-SQL解析的试验名目 ，重要蕴含 数据集搜集、数据预解决、模型选用与构建和微调权重 等步骤，经过这一系列的解决可以在提高Text-to-SQL才干的同时降低模型训练老本，让更多的开发者介入到Text-to-SQL的准确度优化上班当中，最终成功 基于数据库的智能问答才干 ，让用户可以 经过人造言语形容成功复杂数据库的查问操作 等上班。

目前 DB-GPT-Hub 曾经基于多个大模型买通从数据解决、模型SFT训练、预测输入和评价的整个流程， 代码在名目中均可以间接复用 --开箱即用，架构师带你玩转AI

原文链接：​ ​​ ​​