随着数据库和分析厂商密集布局Text-to-SQL，自然语言查询数据库的应用正在快速升温。不过，业内专家提醒，非专业用户若单独使用这类工具，仍面临不容忽视的误判风险。
据The Register报道，AWS近期推出了基于Bedrock平台的Text-to-SQL方案；Snowflake则发布Cortex Analyst，可将“上月营收”等业务表述转换为数据库可识别的查询语义；MongoDB也推出了基于LangChain的自然语言查询API。
多伦多大学计算机科学系教授Nick Koudas表示，业务人员在使用这类工具时，系统可能生成语法正确、但与用户真实意图不符的查询语句。当前Text-to-SQL系统的准确率约为80%，低于人类专家约93%的水平。尤其是在企业普遍拥有自有数据结构和内部术语的情况下，如果缺少针对性训练，LLM很难准确理解相关语境。
他指出，Text-to-SQL更大的风险在于生成“语法正确但语义错误”的查询。语法错误通常会导致查询无法执行，问题也更容易被立即发现；但如果是语义层面的偏差，系统可能返回完全不相关的结果，而且未必会直接报错，因此更难识别。
Nick Koudas强调，现阶段在通过自然语言生成SQL的实际使用过程中，仍需要由具备SQL理解能力、并能核验查询结果的专业人员参与把关。
与此同时，研究人员也在探索通过追问机制来提升准确性。报道指出，自然语言本身存在模糊性，表达方式和语气差异也会影响模型判断。当LLM遇到含义不够明确的表述时，可以进一步向用户确认“这里指的是A还是B”，再继续完成查询。
Nick Koudas表示，Text-to-SQL的定位应是提升开发效率的辅助工具，而不是取代开发者的技术。
记者信息
Chi-gyu Hwang
delight@d-today.co.kr