dataease/SQLBot

项目概览

项目已同时提供自然语言转 SQL、对话式数据分析、工作空间隔离和多种嵌入方式，可验证其是否能从独立查数工具扩展为企业应用中的统一数据问答入口。

项目类型

RAG 与知识库 · 数据处理

应用场景

数据分析

部署方式

查看项目说明

License

License 待确认

适合谁

• 希望用自然语言转 SQL 和可视化能力快速建立自助查数入口的数据团队。
• 具备 Linux 服务器和可用大语言模型服务 API，希望自托管数据问答应用的企业团队。
• 需要通过工作空间划分资源，并把数据问答嵌入现有应用的开发与平台团队。

核心能力

• 利用大语言模型理解用户问题并生成 SQL，同时结合检索增强生成提高转换质量。用户价值在于可以用自然语言访问数据库查询能力，而无需直接编写 SQL；该能力当前可用。
• 用户通过连续对话提出分析问题，系统返回所需数据与可视化结果，并支持进一步智能分析。它将一次性查数扩展为可持续追问的分析过程；该能力当前可用。
• 系统以工作空间为层级隔离资源，用于划分清晰的数据边界并控制数据访问范围。该机制适合需要按团队或业务域组织数据问答资源的场景；该能力当前可用。
• 项目支持 Web 嵌入、弹窗嵌入和 MCP 调用等方式，可把数据问答能力接入其他应用。其价值是复用现有业务入口并降低独立系统切换成本；该能力当前可用。
• 团队可配置自定义提示词和术语库，并维护 SQL 示例校准逻辑，使自然语言问题更准确地匹配具体业务场景。其价值是把组织知识沉淀为可持续维护的查询校准资产；该能力当前可用。

限制与风险

• 项目资料标注许可证为 GPLv3，并额外禁止替换或修改 Logo 与版权信息。采用方应依据自己的分发、修改、品牌和商业使用方式审阅原始许可证文本，不能仅按标准 GPLv3 的通常认知作判断。
• 自然语言转 SQL 需要大语言模型服务 API，因此系统是否可用不仅取决于本地部署，还取决于模型接口的兼容性与可访问性。
• 现有资料未说明图形处理器要求、成本依赖和遥测行为，这些项目不能从当前信息中直接得出结论，生产采用前需要单独验证。
• 项目当前资料标明不提供托管服务，组织需要自行承担 Linux 环境上的部署和运行维护。

如何开始

• 准备 Linux 服务器并安装 Docker 后，可执行项目提供的 Docker 运行命令完成安装；项目提供的安装脚本旨在简化初始部署过程，不要求进行复杂开发。
• 服务启动后，通过“http://<服务器地址>:8000/”打开 Web 界面，并使用项目给出的初始账号“admin”和初始密码“SQLBot@123456”登录。
• 首次可用的关键步骤是配置大语言模型与数据源；项目强调只需完成这些简单配置即可开始使用，无需先进行复杂开发。

核验依据

• GitHub 项目简介: 🔥 基于大模型和 RAG 的智能问数系统，对话式数据分析神器。Text-to-SQL Generation via LLMs using RAG.
• README: SQLBot 是一款基于大语言模型和 RAG 的智能问数系统，由 DataEase 开源项目组匠心出品。借助 SQLBot，用户可以实现对话式数据分析（ChatBI），快速提炼获取所需的数据信息及可视化图表，并且支持进一步开展智能分析。
• README: 开箱即用：仅需简单配置大模型与数据源，无需复杂开发，即可快速开启智能问数；依托大模型自然语言理解与 SQL 生成能力，结合 RAG 技术，实现高质量 Text-to-SQL 转换。
• Release: v1.9.0
• README: 准备一台 Linux 服务器，安装好 [Docker](https://docs.docker.com/get-docker/)，执行以下一键安装脚本：

内容核验时间：