请从 products 表取出 product_name 和 category，从 orders 表汇总 SUM(amount) AS total_revenue，两表通过 products.id = orders.product_id 关联，只取 created_at 在 2024‑04‑01 到 2024‑04‑30 之间的记录，按 total_revenue 降序排列，最终返回前 10 行。你只需要一行能直接粘贴进 MySQL 客户端的 SELECT 语句——没有解释、没有注释、没有示例数据，纯 SQL。

很多人堆一长段自然语言给 ChatGPT，期望它一次猜对所有字段名、连词和函数，结果往往适得其反——不是字段拼错，就是日期格式不对，或者 JOIN 条件写飞了。关键不在于模型不够聪明，而在于你给的信息密度和结构有没有到位。下面这套方法，能让 ChatGPT 几乎每次稳定输出正确 SQL。

第一步：喂给 ChatGPT 的表结构必须带语义，不能只丢 CREATE TABLE

简单有效的做法是逐表用自然语言描述，每张表列出不超过 5 个关键字段，每个字段后面用括号标注业务含义和典型值。比如：“users 表：id（用户唯一主键）、name（真实姓名，非空）、status（账户状态，取值 'active'/'inactive'/'banned'）、created_at（注册时间，格式 '2024‑03‑15 09:30:22'）。”

如果涉及多表关联，务必显式写出外键映射关系，例如“orders.user_id → users.id”。千万别只写“orders 和 users 有关联”——ChatGPT 不会自动猜关联字段名。漏掉这一句，它生成的 JOIN 大概率用错 ON 条件。操作其实很简单，把整理好的三行文字直接贴进去就行。

第二步：用标准化提示词锁定角色、方言、原子需求与输出格式

开头先设定角色：“你是一名有 5 年电商数据经验的 SQL 工程师”。紧接着声明数据库类型：“请生成适配 MySQL 8.0 的查询语句”。然后，把需求拆成不可再分的动作单元——不用代词，不省略主谓宾。比如：“从 products 表查 product_name、category；从 orders 表查 SUM(amount) AS total_revenue；两表通过 products.id = orders.product_id 关联；筛选 created_at 在 2024‑04‑01 至 2024‑04‑30 之间；按 total_revenue 降序；只返回前 10 行。”最后加一句硬约束：“只返回一条可执行的 SELECT 语句，不加任何解释、注释、示例数据或 Markdown 格式。”

注意：如果只写“查最近销量高的商品”，ChatGPT 可能解析成 A VG(price) 或混入 stock 字段，结果完全偏离业务目标。需求越原子化，输出偏差越小。

第三步：验证生成 SQL 前必须做的三件事

第一，检查字段是否全部存在于你提供的表结构中。比如你根本没提 products 表有 brand 字段，但生成的语句里出现了 p.brand，那这条 SQL 必然报错。

第二，核对时间格式是否匹配。MySQL 中日期比较必须用 '2024‑04‑01' 单引号包裹。如果生成的是 2024‑04-01（无引号），执行时会被当作数学运算，结果完全异常。

第三，确认分页语法适配目标库。MySQL 用 LIMIT 10，PostgreSQL 同样能用，但 SQL Server 必须改写为 TOP 10 或 OFFSET‑FETCH。如果你明确声明了 MySQL，却得到 OFFSET 0 ROWS FETCH NEXT 10 ROWS ONLY，说明提示词里的方言声明还不够强硬。