自然语言直接操作数据库和调用API，听起来像天方夜谭？但当提示工程（Prompt Engineering）与大模型结合后，这件事已变得相当可行。简单来说，就是通过精心设计输入文本，引导模型将自然语言准确转化为SQL查询语句或API调用参数。

其中，Text2SQL和Text2API两大应用场景的核心在于将领域知识显式化。换言之，通过角色定义与业务知识注入——例如数据库Schema或API文档——让模型真正理解自然语言背后的意图，最终输出可执行的结构化指令。

一、Text2SQL

Text2SQL是什么？

简单来说，Text2SQL是一项将自然语言描述的查询需求自动转换为结构化查询语言（SQL）的技术。你可以想象：当问到“去年卖得最好的产品是哪个？”，系统能直接生成对应的SQL语句去数据库中查询。

在实际落地中，LangChain提供了一个非常实用的工具——SQLDatabaseChain。它能把数据库Schema动态注入到提示词里，实现端到端的SQL生成与执行。关键在于，它可以自动提取表结构作为上下文，并且支持多轮对话来修正SQL语句。

from langchain.utilities import SQLDatabase
from langchain.chains import SQLDatabaseChain
from langchain_community.llms import OpenAI

db = SQLDatabase.from_uri("sqlite:///sales.db")
llm = OpenAI(temperature=0)
chain = SQLDatabaseChain.from_llm(llm, db, verbose=True)
response = chain.run("2024年销售额超过100万的产品是什么？")

如何实现Text2SQL？

整个过程可以拆解为四个关键步骤：

1. 输入解析：用户提问进来后，先提取关键实体——表名、字段、条件。例如“统计2024年销售额超过100万的产品”，需要从中抽取出“销售额（sales）”、“产品（product）”、“年份（year=2024）”、“条件（>1,000,000）”。

2. Schema绑定：这一步很关键。必须把数据库表结构（Schema）绑定到提示词里，让模型明确字段与表之间的关系。例如提供如下信息：

• 表orders: id (int), product_id (int), sales (float), date (date)
• 表products: id (int), name (str), category (str)

3. SQL生成：模型基于给定的Schema和用户意图，直接生成查询语句。整个过程无需人工编写SQL，模型会自动完成。

SELECT p.name, SUM(o.sales) AS total_sales
FROM orders o
JOIN products p ON o.product_id = p.id
WHERE YEAR(o.date) = 2023
GROUP BY p.id
HA VING total_sales > 1000000;

4. 结果验证：最后一步是执行SQL并返回数据。若执行失败，要么优化Prompt，要么追问用户补充信息。

二、Text2API

Text2API是什么？

想象一下这样的场景：你对着系统说“给Allen发邮件，主题是会议提醒，内容为明天下午2点开会”，它就自动调用对应的API把邮件发送出去。Text2API就是将自然语言描述的需求自动转换为API调用请求的技术。

LangChain同样提供了支持——APIChain。它能把API文档（比如OpenAPI/Swagger格式）嵌入提示词，引导模型生成正确的请求参数。并且，它还能支持多步骤调用，例如先查询用户ID，再调用订单API。

from langchain.chains import APIChain
from langchain_community.llms import OpenAI

llm = OpenAI(temperature=0)
api_docs = """
API文档：
- 发送邮件：POST /send_email
    参数：to（收件人）, subject（主题）, content（内容）
- 查询天气：GET /weather
    参数：city（城市）, date（日期）
"""
chain = APIChain.from_llm_and_api_docs(llm, api_docs, verbose=True)
response = chain.run("给Allen发邮件，主题是会议提醒，内容为明天下午2点开会。")

如何实现Text2API？

实现过程同样可以拆解：

1. API目录管理：这是基础。需要维护一份完整的API文档，包括端点、参数和权限信息。例如邮件API的规范：

POST /send_email
参数：to (str), subject (str), content (str)
权限：需用户OAuth令牌

2. 意图识别：模型解析用户指令，匹配到正确的目标API。例如“给Allen发邮件，主题是项目开发进度，内容为‘本周完成80%’”，模型知道应该调用/send_email。

3. 参数填充：从自然语言中提取参数并验证，比如收件人邮箱、邮件主题和正文，最后组装成标准格式。

{
    "endpoint": "/send_email",
    "params": {"to": "zhangsan@company.com", "subject": "项目进度", "content": "本周完成80%"}
}

4. 执行与反馈：调用API并返回结果，无论成功还是失败，都会给出明确的反馈信息。

从实践来看，提示工程在Text2SQL和Text2API的应用中，真正重要的不是模型本身有多聪明，而是我们如何把领域知识“喂”给它。Schema信息也好，API文档也罢，都需要精心设计和打磨。这也是为什么这两项技术虽然看起来很有前景，但真正落地时，往往需要反复迭代和优化。