1.增加了开关 REWRITE_QUESTION_ENABLED = False，用于控制是否启用问题重写功能，也就是上下文问题合并。 "I interpreted your question as"

2.增加了开关 ENABLE_RESULT_VECTOR_SCORE_THRESHOLD = True，用于控制是否启用向量查询结果得分阈值过滤。

是否启用向量查询结果得分阈值过滤

result = max((n + 1) // 2, 1)

ENABLE_RESULT_VECTOR_SCORE_THRESHOLD = True

向量查询结果得分阈值

RESULT_VECTOR_SQL_SCORE_THRESHOLD = 0.65 RESULT_VECTOR_DDL_SCORE_THRESHOLD = 0.5 RESULT_VECTOR_DOC_SCORE_THRESHOLD = 0.5

3.增加了错误SQL负面示例提示功能，用于提高SQL生成质量。

功能概述

通过向LLM提供相关的错误SQL示例作为负面示例，帮助LLM避免生成类似的错误SQL，从而提高SQL生成的准确性和质量。

配置参数

# 是否启用错误SQL提示功能
ENABLE_ERROR_SQL_PROMPT = True

# 错误SQL相似度阈值（仅返回相似度高于此阈值的错误SQL示例）
RESULT_VECTOR_ERROR_SQL_SCORE_THRESHOLD = 0.5

实现细节

1. 数据存储

在PgVector数据库中新增 error_sql 集合，用于存储错误的question-sql对
错误SQL数据格式：{"question": "用户问题", "sql": "错误的SQL", "type": "error_sql"}
支持通过训练接口添加错误SQL示例

2. 向量查询

新增 get_related_error_sql() 方法，基于问题相似度查找相关的错误SQL示例
使用与其他向量查询一致的相似度计算和阈值过滤机制
错误SQL的阈值过滤逻辑：严格按阈值过滤，不设置最低返回数量

3. 提示词集成

在SQL生成过程中，如果找到相关的错误SQL示例，会在Response Guidelines之前添加负面示例

负面示例采用与现有提示词一致的格式结构，位于Response Guidelines之前：

===Tables
[DDL信息]

===Additional Context
[文档信息]

===Negative Examples
下面是错误的SQL示例，请分析这些错误SQL的问题所在，并在生成新SQL时避免类似错误：

问题: [用户问题]
错误的SQL: [错误SQL]

问题: [用户问题]
错误的SQL: [错误SQL]

===Response Guidelines
[响应指南和中文别名要求]

4. 智能过滤

只有当 ENABLE_ERROR_SQL_PROMPT = True 且找到相关错误SQL示例时，才会添加负面提示词
如果未找到相关错误SQL示例（返回空列表），不会添加任何负面提示词
支持相似度阈值过滤，只使用高质量的相关错误示例

使用方式

1. 训练错误SQL示例

# 通过API接口添加错误SQL示例
POST /api/v0/training_error_question_sql
{
    "question": "查询所有用户信息",
    "sql": "SELECT * FROM users WHERE id = 'all'"  // 错误的SQL
}

2. 自动应用

配置启用后，系统会在每次SQL生成时自动查找并应用相关的错误SQL示例
无需额外操作，透明集成到现有的SQL生成流程中

技术优势

智能相关性匹配：基于向量相似度找到与当前问题最相关的错误示例
质量控制：通过相似度阈值确保只使用高质量的相关错误示例
性能优化：只在找到相关错误示例时才添加负面提示词，避免不必要的token消耗
灵活配置：支持通过配置参数灵活控制功能开关和阈值设置

release.md 3.3 KB 고유링크 히스토리 Raw