ChatGPT 可收费的那种产品该如何实现？一点尝试

news2024/11/27 18:37:28

导读|时隔两个月，勇哥终于把chatGPT生成SQL的功能发布上线了，支持统计分析查询、创建表、数据生成等多种全面的SQL DDL生成能力，本文就和大家聊聊相关功能的使用和背后实现逻辑，并希望相关功能能帮助大家在工作中提升一定的工作效率。同时也提醒一下大家，SQL能力很重要，请大家不要在工作中完全依赖工具。阅读本文你会了解到Tinkle工具SQL生成功能如何使用？最后了解如何使用chatGPT API进行落地产品的实施？

Tinkle SQL生成工具使用介绍

Tinkle是本人开发的一款国产数据库管理客户端，目前支持Mysql、Mariadb、PostgreSQL等数据库。区别于其它数据库，其优势是提供了数据可视化、SQL练测、数据填充、SQL逆代码生成、AI SQL生成等创新功能。

本文主要介绍AI SQL生成功能，因此先介绍一下其支持的SQL生成能力：

能生成：多表关联查询的SQL

能生成：插入测试数据的SQL

能生成：查询/统计分析的SQL

能生成：创建表结构的SQL

能生成：修改表结构的SQL

使用步骤介绍

使用SQL生成功能非常简单，生成的SQL可以直接运行，使用仅以下3步：

1、选择你可能关联查询的表，右键打开SQL生成界面；

2、输入你的需求，并点击Run按钮即可为你生成SQL；

3、点击运行按钮预览结果。

预览多表关联查询SQL生成

下面案例使用了teacher表中的数据张三，直接查询course课程表中的信息，生成的结果还是挺准确的。注意必须使用'查询'开头。

预览插入测试数据SQL生成

下面案例直接给课程表course增加10条数据，从生成的结果，可以看出生成的数据字面含义还是非常贴合我们自己的表。

预览创建表结构SQL生成

下面案例要求新增一张表，用于存储老师的上课记录。从生成结果看，创建表的语法一点问题都没得，字段和表名基本满足阿里数据库规约。

预览统计分析SQL生成

下面案例要求统一某一门课程成绩前3的学生，从生成的结果看貌似正确，但是结果limit不支持在子查询中使用，要区分版本的支持。即时这样，生成的结果也可以带给我SQL编写上的一些思路，有参考价值。

chatGPT 功能落地实施介绍

Tinkle SQL生成功能诞生过程

早在12月16日其实上述功能我就已经实现，一值拖到现在才正式公开。期间其实一直在思考如何更好的落地chatGPT应用。苦于这是一个新的领域，参考的产品太少，最后没有找到更好的方式，就还是以当前的方式上线了。

程序要与chatGPT 对接，那就需要使用其API，API这点反而出乎意料，chatGPT提供的接口非常的简单，基本10行代码就可以搞定。但有没有难点呢？其实chatGPT 接口最难的是prompt的设计，一个好的prompt参数设计，能让结果更为准确，另外注意的prompt也包括了上下文。

SQL生成的prompt可设计为：上下文 SQL需求\\n 生成类型
例：
上下文：###之间的内容为上下文，描述了需求的约束条件
SQL需求：就是要SQL的描述信息，比如：查询员工信息
生成类型：就是生成SQL的类型，比如：SELECT

### Mysql SQL tables, 表字段信息如下:\\n#\\n# Employee(id, name, department_id)\\n# Department(id, name, address)\\n# Salary_Payments(id, employee_id, amount, date)\\n#\\n### 查询员工信息\\n SELECT

有了prompt设计，最后整合一下API代码即可实现相关功能，为帮助大家，我也把直接贴出来：

public class AiUtils {

    /**
     * 生成需求
     * @return
     */
    public static List<CompletionChoice>  generatorSqlQuery(String token,String tables,String demand){
        String keyword = "";
        if(demand.contains("查询")||demand.contains("统计")||demand.contains("select")){
            keyword = "SELECT";
        }else if(demand.contains("删除数据")||demand.contains("delete")){
            keyword = "DELETE";
        }else if(demand.contains("删除")||demand.contains("drop")){
            keyword = "DROP";
        }else if(demand.contains("修改数据")||demand.contains("update")){
            keyword = "UPDATE";
        }else if(demand.contains("修改")||demand.contains("alter")){
            keyword = "ALTER";
        }else if(demand.contains("增加")||demand.contains("插入")||demand.contains("新增")||demand.contains("insert")){
            keyword = "INSERT";
        }else if(demand.contains("创建")||demand.contains("create")){
            keyword = "CREATE";
        }else if(demand.contains("显示")||demand.contains("show")){
            keyword = "SHOW";
        }else if(demand.contains("清空")||demand.contains("truncate")){
            keyword = "TRUNCATE";
        }else{
            keyword = "SELECT";
        }
        OpenAiService service = new OpenAiService(token);
        CompletionRequest completionRequest = CompletionRequest.builder()
                .model("code-davinci-002")
                .prompt(String.format("%s %s\\n%s",tables,demand,keyword))
                .temperature(0.0D)
                .maxTokens(1000)
                .topP(1D)
                .frequencyPenalty(0D)
                .presencePenalty(0D)
                .stop(Arrays.asList("#",";"))
                .build();
        List<CompletionChoice> choices = service.createCompletion(completionRequest).getChoices();
        for (CompletionChoice choice : choices) {
            choice.setText(keyword+choice.getText());
        }
        return choices;
    }

}