本教程将带你深入掌握大模型提示工程的核心技巧，轻松实现自然语言到SQL/API的精准转换。无论你是开发者、数据分析师还是AI爱好者，都能通过以下内容快速上手：Text2SQL与Text2API的原理、LangChain实现方案，以及提示工程中领域知识注入与多轮对话修正的实际应用。
一、大模型提示工程概述
大模型提示工程（Prompt Engineering） 是一种通过精心设计输入文本（Prompt），引导大语言模型（LLM）生成符合预期输出的技术。在Text2SQL（自然语言转SQL）和Text2API（自然语言调接口）场景中，提示工程的核心目标是将自然语言问题转化为准确的 SQL 查询和具体的 API 调用参数。
Text2SQL和Text2API的提示工程本质是将领域知识显式化，通过角色定义和业务知识注入（如数据库Schema、API文档），让模型“理解”自然语言背后的真实意图，并将其转化为可执行的结构化指令。
二、Text2SQL（文本转SQL）
2.1 Text2SQL是什么
Text2SQL是一种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。
LangChain提供SQLDatabaseChain，支持将数据库Schema动态注入提示词，实现端到端的SQL生成与执行。LangChain可以自动提取数据库表结构（Schema）作为上下文。支持多轮对话修正SQL语句。
2.2 如何实现Text2SQL？
通过自然语言处理技术进行语义解析（包括实体识别、关系抽取、意图理解），结合预加载的数据库Schema信息，利用大语言模型（LLM）生成符合语法规范的SQL语句。
- 输入解析：用户提问 → 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” → 提取“销售额（sales）”、“产品（product）”、“年份（year=2024）”、“条件（>1,000,000）”。 - Schema绑定：结合数据库表结构（Schema），明确字段和表关系。
关键：在Prompt中提供Schema，例如：
表orders: id (int), product_id (int), sales (float), date (date)
表products: id (int), name (str), category (str) - SQL生成：模型根据Schema和用户意图生成查询语句。
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;
- 结果验证：执行SQL并返回数据，若失败则优化Prompt或追问用户。
2.3 LangChain实现方案（代码示例）
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？")
2.4 小提示
- 提示优化：当模型生成的SQL不正确时，可以在Prompt中增加“请只使用提供的表名和字段，不要输出多余内容”等约束。
- 多轮对话：利用LangChain的内存功能，让用户可以逐步纠正SQL，例如“不对，我指的是2023年的数据”。
- 安全考虑：在生产环境中应限制模型只执行
SELECT语句，避免删除或修改操作。
2.5 常见问题
Q：如果数据库表很多，如何让模型快速找到正确的表？
A：可以在Prompt中加入表描述（例如“orders表存储销售订单，products表存储产品信息”），并明确告知模型根据用户问题中的关键词（如“产品”、“销售”）选择相关表。也可以利用LangChain的SQLDatabaseChain自动过滤无关表。
Q：模型生成的SQL语法正确但逻辑错误，如何处理？
A：通常在Prompt中增加Few-Shot示例（例如给出一个正确的问答对），或者通过多轮对话让用户补充条件。LangChain支持在SQLDatabaseChain中设置return_intermediate_steps=True来查看中间SQL，便于调试。
三、Text2API（文本转API调用）
3.1 Text2API是什么
Text2API（文本转API调用） 是一种将自然语言描述的用户需求自动转换为对应用程序接口（API）的调用请求的技术。
LangChain提供APIChain，支持将API文档（如OpenAPI/Swagger）嵌入提示词，引导大模型生成请求参数，可以支持多步骤调用（如先查询用户ID，再调用订单API）。
3.2 如何实现Text2API？
通过自然语言处理技术进行语义解析（含意图识别、实体抽取、上下文理解），结合预加载的API文档信息，利用大语言模型（LLM）生成符合语法规范的API调用请求。
- API目录管理：维护API文档（端点、参数、权限）。
例如：邮件API文档：POST /send_email 参数：to (str), subject (str), content (str) 权限：需用户OAuth令牌 - 意图识别：模型解析用户指令，匹配目标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%’” → 调用/send_email。 - 参数填充：提取并验证参数（如邮箱、内容）。
{ "endpoint": "/send_email", "params": {"to": "zhangsan@company.com", "subject": "项目进度", "content": "本周完成80%"} } - 执行与反馈：调用API并返回结果（成功/失败原因）。
3.3 LangChain实现方案（代码示例）
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。")
3.4 小提示
- 文档质量：API文档应清晰描述每个端点的用途、参数类型、是否必填。LangChain的APIChain会根据文档自动解析，文档越规范，模型越准确。
- 多步骤调用：对于需要先获取ID再查询详情的场景，可以在Prompt中说明步骤顺序，或者使用LangChain的
SequentialChain串联多个API调用。 - 错误处理：在Prompt中增加“如果参数缺失，请向用户确认”的指令，可以避免模型随意猜测参数。
3.5 常见问题
Q：如果API需要认证（如Bearer Token），如何让模型自动携带？
A：可以在API文档中直接声明“Authorization: Bearer {token}”，并在Prompt中预置一个示例令牌。更安全的做法是在前端调用时由用户登录态直接注入，模型只需生成参数结构。
Q：模型生成的请求参数格式错误怎么办？
A：建议在Prompt中提供JSON Schema示例，并强调“请严格按照以下JSON格式输出”。也可以让模型先输出自然语言解释，再通过另一个提示转换格式。
四、总结
通过本教程，你已掌握了大模型提示工程在Text2SQL和Text2API中的核心应用：从领域知识显式化到LangChain框架的具体实现。无论是将自然语言转化为SQL查询，还是自动调用API接口，提示工程的关键都在于精心设计的Prompt + 结构化领域知识注入。记住，多轮对话和Few-Shot示例能显著提升准确率。现在，你可以在自己的项目中实践这些技巧，让大模型真正成为你的“智能助手”。