自OceanBase 4.3.3版本推出以來，向量檢索的能力受到了很多客戶的關注，也紛紛表達希望OB能拓展更多?多模數據庫+大模型?的AI應用實踐。

在上篇文章?👉?OceanBase + LLM，免費構建你的專屬 AI 助手?，我們介紹了如何去搭建一個RAG智能問答機器人，也收到許多用戶在論壇及博客上自發分享的利用AI助手Demo進行創新趣味改造，非常感謝大家的熱情支持！

今天，我們積極響應大家的建議，為大家呈現一項全新的應用——

構建一個 Text2SQL 應用！

Text2SQL，指通過大模型用自然語言生成對應的查詢 SQL，不僅可以直接在 OceanBase 數據庫中執行該 SQL 獲取結果，還能夠將得到的查詢結果進行可視化展示（下文中會將這個應用稱為 chat data）。這個應用能夠在一定程度上提升 OceanBase 數據庫的易用性，且步驟十分簡單，歡迎大家都來嘗試一下。

1、Text2SQL應用簡介

這個 ?Text2SQL 的 chat data 應用是基于螞蟻集團的 AI 原生數據智能應用開發框架——DB-GPT 進行。

DB-GPT 通過多模型管理（SMMF）、Text2SQL 效果優化、RAG 框架以及優化、Multi-Agents 框架協作、AWEL （智能體工作流編排）等多種技術能力，使圍繞數據庫構建大模型數智應用變得更加簡單和便捷。目前已有超過 106 萬用戶學習和使用 DB-GPT ，并有 100+ 家企業已將其集成到生產系統中。

OceanBase 支持向量數據類型的存儲和檢索，并已適配作為 DB-GPT 的可選向量數據庫，支持 DB-GPT 對結構化數據和向量數據的存取需求，從而支撐其上 LLM 應用的開發和落地。

我們可以快速看看應用的效果：讓 chat data 寫一條簡單的 SQL，對 TPC-H 測試集的數據進行查詢，并生成可視化的圖表，效果如下：

chat data 會自動拿著生成的 SQL 去數據庫里執行，并返回查詢結果。

再看看另一個示例——輸入提示詞后，讓 chat data 應用幫我們生產一個可視化的散點圖。（需要注意的是 Text2SQL 對大模型的能力要求較高，如果執行結果出現錯誤提示，可以嘗試重試和修改提示詞。）

2、OceanBase 如何支持Text2SQL應用

我們可以通過下圖去理解 OceanBase 數據庫在 Text2SQL 應用中的作用。

圖中展示的這個 OceanBase 租戶里有三類 database，分別為：

? 用于存儲用戶數據的庫（圖中的 User Data 庫）；

??用于存向量數據的庫（圖中的 Vector 庫）；

??以及其他庫（圖中的 Others 庫）。

Text2SQL 應用的服務對象是數據庫，這個被服務數據庫在本實驗中就是 OceanBase，對應圖中的 User Data 庫；同時，應用需要對用戶輸入的自然語言，將數據庫對象的元數據拿出來，進行相似性檢查，所以也需要一個服務于應用的向量數據庫，這個數據庫也由 OceanBase 支持，對應圖中的 Vector 庫。

也就是說，這次實驗，不需要專門去另外搭建一個向量數據庫，通過 DB-GPT，利用 OceanBase 的向量能力，對在 OceanBase 中存儲的用戶數據進行服務，完全實現了“自給自足”。

我們從上圖的左側部分，來看 DB-GPT 在搭建 Text2SQL 應用的過程中生產向量的過程。

🚩 首先需要創建一個 User Data 庫的連接，在創建這個連接的時候，就會把連接中對應庫（例如這個庫的真名叫 dbgpt_test_db）中用戶數據的元信息（表名、列名等）拿出來；

🚩?然后把這些元信息轉成向量的形式；

🚩?最后存入 Vector 庫中的一張叫做 dbgpt_test_db_profile 的表內。

DB-GPT 每創建一個新的 User Data 庫的連接，就會在 OceanBase 的 Vector 庫內創建一張叫做<database_name>_profile 的表，（<database_name>替換為用戶使用的數據庫名），表中有一個 document 列，用于存儲元數據的文本信息；還有一個 embedding 列，用于存儲將 document 列轉換成的 1024 維向量。

上圖的右側部分，則體現了 OceanBase 和用戶交互，然后通過大模型消費向量數據，產生答案的過程。

步驟 1 到 3 ：首先會把用戶的自然語言請求，通過模型轉換為向量，并在 dbgpt_test_db_profile 表內查詢相似度最高的向量。

步驟 4 到 5：大語言模型會基于 Vector 庫返回的元數據信息，把自然語言轉換為對應的 SQL，并在 User Data 庫中執行 SQL 和收集結果數據。還可以根據用戶需求將結果數據生成適合的圖表。

3、四步搭建chat data應用

進行實驗之前，我們需要先開通 OceanBase 數據庫，方式有兩種：使用 OB Cloud 實例或者使用 Docker 本地部署單機版 OceanBase 數據庫。我們在此推薦 OB Cloud 實例，因為它部署和管理都更加簡單，且不需要本地環境支持。

OB Cloud 目前已經支持 365 天免費試用，大家可以開通事務型共享實例（MySQL模式）。

開通完成后，只需要下面的 4 步?就可以完成 chat data 應用的搭建了。這里不做詳細描述，完整的實驗步驟流程可通過下面的鏈接查看：

docker/compose_examples/ob_dbgpt_tutorial.md · oceanbase-devhub/DB-GPT - Gitee.com

第一步，獲取 OceanBase 數據庫實例連接串

第二步，申請大模型?API KEY?（可以選擇阿里云百煉）

第三步，啟動 Docker 容器，復制項目鏡像 ?

第四步，訪問 DB-GPT 平臺，創建應用

在 DB-GPT中，還支持知識庫的 RAG 應用搭建，大家也可以參考文檔中的步驟去搭建。

4、還有更多

為了讓更多的用戶更容易地基于 OceanBase 搭建 AI 應用，我們會陸續將不同場景的 AI 實驗步驟錄制為視頻課程，方便大家隨時學習。目前已經上線的有 RAG AI 助手 Demo，和如何結合低代碼平臺 Dify 去搭建 AI 應用，本文的應用和更多實驗也將陸續上線。下方鏈接可以直達課程。

OceanBase AI 動手實戰課? >>