李慕婉-仙逆-造相Z-Turbo 与 MySQL 数据库联动：智能查询与报告生成

1. 引言

你有没有遇到过这样的情况？市场部的同事跑来问你：“能不能帮我查一下上个月哪个产品卖得最好，顺便分析一下原因？” 或者运营的同事想知道：“最近三个月，哪个渠道的新用户增长最快？” 对他们来说，这只是一个简单的业务问题。但对你来说，这意味着要打开数据库客户端，回忆表结构，编写复杂的SQL语句，执行，再把一堆冰冷的数字整理成他们能看懂的报告。整个过程，少说也得十几二十分钟。

这其实就是技术团队和业务团队之间一道无形的墙。业务人员不懂SQL，技术人员不懂业务细节，沟通成本高，效率低下。如果能让业务人员直接用他们最熟悉的语言——也就是平常说话的方式——来问问题，然后自动得到一份清晰的分析报告，那该多好？

今天要聊的，就是怎么用“李慕婉-仙逆-造相Z-Turbo”这个大模型，结合MySQL数据库，搭建这样一个“智能数据助手”。它的核心思路很简单：用户用自然语言提问，模型理解后生成SQL去数据库里查数据，拿到结果后再让模型把数据“翻译”成一份通俗易懂的报告。整个过程，业务人员只需要动动嘴皮子（或者敲敲键盘），完全不用碰SQL。

下面，我就带你一步步实现这个想法，从环境准备到核心代码，再到实际效果，让你也能快速搭建起自己的智能查询系统。

2. 整体思路与核心价值

在动手写代码之前，我们先把这个系统的“骨架”理清楚。它主要干三件事：

1. 听懂人话：把用户像“查一下上个月的销售冠军”这样的口语化问题，转化成模型能理解的指令（Prompt）。
2. 执行查询：让模型根据这个指令，生成正确的SQL语句，并安全地送到MySQL数据库里执行。
3. 说人话：把数据库返回的、看起来像天书一样的表格数据，让模型重新组织成一段有观点、有分析的文字报告。

整个过程就像一个翻译官加一个分析师。模型先当翻译，把业务语言翻译成数据库语言（SQL）；拿到数据结果后，再当分析师，把数据翻译成业务报告。

这么做，最直接的好处有三个：

• 门槛极低：业务、运营、市场同学都能自己查数据，再也不用排队等技术人员了。
• 效率翻倍：从“提出问题”到“拿到报告”的流程被极大压缩，可能从半小时缩短到一分钟。
• 释放人力：技术人员可以从大量重复、临时的取数需求中解放出来，去干更有技术含量的事情。

听起来是不是挺有吸引力？接下来，我们就从最基础的环节开始——准备你的MySQL数据库和模型服务。

3. 环境准备与快速部署

工欲善其事，必先利其器。我们需要准备好两样东西：一个可以访问的MySQL数据库，以及一个已经部署好的“李慕婉-仙逆-造相Z-Turbo”模型服务。

3.1 MySQL数据库安装与配置

如果你还没有MySQL，安装起来很简单。这里以在Linux系统上为例。

首先，更新软件包列表并安装MySQL服务器：

sudo apt update
sudo apt install mysql-server -y

安装完成后，运行一个安全脚本，来设置root密码、移除匿名用户等（过程中会提示你进行一些安全设置）：

sudo mysql_secure_installation

接着，登录MySQL，为我们这个项目创建一个专用的数据库和用户。这样做是为了安全，避免直接使用root账户。

sudo mysql -u root -p

在MySQL命令行里，执行以下SQL语句：

-- 创建一个名为 `business_intel` 的数据库
CREATE DATABASE business_intel;
-- 创建一个新用户 `ai_assistant`，并设置密码（请替换 `your_strong_password`）
CREATE USER 'ai_assistant'@'localhost' IDENTIFIED BY 'your_strong_password';
-- 授予这个用户对 `business_intel` 数据库的所有权限
GRANT ALL PRIVILEGES ON business_intel.* TO 'ai_assistant'@'localhost';
-- 让权限生效
FLUSH PRIVILEGES;
-- 退出
EXIT;

现在，数据库就准备好了。你可以用新用户登录试试：

mysql -u ai_assistant -p business_intel

为了演示，我们创建一个简单的销售数据表，并插入一些示例数据。继续在MySQL命令行中执行：

USE business_intel;

CREATE TABLE sales_records (
    id INT AUTO_INCREMENT PRIMARY KEY,
    product_name VARCHAR(100),
    sale_date DATE,
    quantity INT,
    unit_price DECIMAL(10, 2),
    sales_channel VARCHAR(50)
);

INSERT INTO sales_records (product_name, sale_date, quantity, unit_price, sales_channel) VALUES
('智能手机X', '2024-04-15', 120, 2999.00, '线上商城'),
('智能手机X', '2024-04-20', 85, 2999.00, '线下门店'),
('智能手表Y', '2024-04-10', 200, 899.00, '线上商城'),
('智能手表Y', '2024-04-25', 150, 899.00, '线下门店'),
('无线耳机Z', '2024-05-05', 300, 399.00, '线上商城'),
('无线耳机Z', '2024-05-12', 180, 399.00, '线下门店'),
('智能手机X', '2024-05-18', 95, 2999.00, '线上商城'),
('平板电脑A', '2024-05-22', 70, 4599.00, '线下门店');

这样，我们就有了一个包含产品、日期、销量、单价和渠道的销售记录表。

3.2 大模型服务接入

“李慕婉-仙逆-造相Z-Turbo”模型通常通过API方式提供服务。假设你已经通过CSDN星图镜像广场或其他方式部署好了该模型，并获得了API的访问地址（例如 http://your-model-server/v1/chat/completions）和密钥。

我们需要在Python环境中安装调用API和连接数据库所需的库：

pip install openai pymysql pandas

这里，我们用 openai 库的通用格式来调用兼容OpenAI API的模型，用 pymysql 连接MySQL，用 pandas 方便地处理查询结果。

4. 核心实现：三步搭建智能查询管道

环境准备好后，我们来搭建最核心的三个模块。我会把关键代码和解释都贴出来，你可以直接参考。

4.1 第一步：构建“翻译官”——自然语言转SQL

这是最关键的一步。我们需要设计一个Prompt，让模型准确理解业务问题并生成SQL。Prompt设计得好，生成的SQL就准。

import openai
import pymysql
import pandas as pd
from datetime import datetime

# 配置模型API（请替换为你的实际信息）
client = openai.OpenAI(
    api_key="your-api-key-here",
    base_url="http://your-model-server/v1" # 你的模型服务地址
)

def generate_sql_from_nl(natural_language_query, table_schema):
    """
    将自然语言问题转换为SQL查询语句。
    
    参数:
        natural_language_query: 用户的自然语言问题，如“查询上个月销售额最高的产品”
        table_schema: 相关数据表的描述，帮助模型理解表结构
    """
    prompt = f"""
    你是一个专业的SQL编写助手。请根据用户的自然语言问题，生成对应的MySQL查询语句。

    数据库表结构描述如下：
    {table_schema}

    用户的问题是：{natural_language_query}

    请只输出SQL语句，不要有任何额外的解释、标记或说明。确保SQL语法正确且符合MySQL规范。
    如果问题中涉及时间，如“上个月”、“最近一周”，请使用合适的日期函数（如CURDATE(), DATE_SUB）来动态计算。
    """
    
    try:
        response = client.chat.completions.create(
            model="limuwan-xianni-zaoxiang-z-turbo", # 替换为你的实际模型名称
            messages=[
                {"role": "system", "content": "你是一个精准的SQL生成器。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.1, # 温度设低，让输出更确定、更准确
            max_tokens=500
        )
        sql_query = response.choices[0].message.content.strip()
        # 简单清理可能出现的代码块标记
        if sql_query.startswith("```sql"):
            sql_query = sql_query[6:]
        if sql_query.endswith("```"):
            sql_query = sql_query[:-3]
        return sql_query.strip()
    except Exception as e:
        print(f"生成SQL时出错: {e}")
        return None

# 定义我们的表结构描述，这部分信息很关键！
table_info = """
表名：sales_records (销售记录表)
字段：
- id (整数，主键)
- product_name (字符串，产品名称)
- sale_date (日期，销售日期)
- quantity (整数，销售数量)
- unit_price (小数，单价)
- sales_channel (字符串，销售渠道：'线上商城' 或 '线下门店')
重要计算逻辑：
- 销售额 (sales_amount) = quantity * unit_price
"""

这个函数的核心是那个精心设计的Prompt。它明确告诉模型：你的角色、表结构、用户问题，并且严格要求只输出SQL。temperature参数调低是为了减少随机性，让生成的SQL更稳定。

4.2 第二步：当好“安全员”——执行查询与过滤

直接从模型生成的SQL拿去执行是有风险的。我们必须进行安全检查，防止意外的数据修改或删除。

def execute_safe_sql_query(sql_query, db_config):
    """
    安全地执行SQL查询，并返回结果。
    此函数会过滤掉非SELECT语句，防止数据被修改。
    """
    # 关键的安全检查：只允许SELECT查询
    sql_lower = sql_query.strip().lower()
    if not sql_lower.startswith('select'):
        print("安全拦截：只允许执行SELECT查询语句。")
        return None, "出于安全考虑，当前仅支持数据查询（SELECT）操作。"
    
    connection = None
    try:
        # 建立数据库连接
        connection = pymysql.connect(
            host=db_config['host'],
            user=db_config['user'],
            password=db_config['password'],
            database=db_config['database'],
            charset='utf8mb4',
            cursorclass=pymysql.cursors.DictCursor # 以字典形式返回结果，更方便
        )
        
        with connection.cursor() as cursor:
            cursor.execute(sql_query)
            result = cursor.fetchall()
            
        # 将结果转换为Pandas DataFrame，便于后续处理
        df = pd.DataFrame(result)
        return df, None # 返回数据和空错误信息
        
    except pymysql.Error as e:
        print(f"数据库查询错误: {e}")
        return None, f"数据库查询失败：{e}"
    except Exception as e:
        print(f"执行查询时发生未知错误: {e}")
        return None, f"执行查询时发生错误：{e}"
    finally:
        if connection:
            connection.close()

# 数据库连接配置
db_config = {
    'host': 'localhost',
    'user': 'ai_assistant',
    'password': 'your_strong_password', # 替换为你的密码
    'database': 'business_intel'
}

这个函数做了两件重要的事：第一，通过检查SQL是否以select开头，严格限制了只能进行查询操作，杜绝了数据被修改或删除的风险。第二，使用DictCursor和pandas，让查询结果更容易被后续的程序和模型处理。

4.3 第三步：扮演“分析师”——结果转报告

拿到数据表格后，最后一步是让模型把它变成一段有洞察的文字。

def generate_report_from_data(natural_language_query, query_result_df):
    """
    将查询结果数据框转换为自然语言分析报告。
    """
    if query_result_df is None or query_result_df.empty:
        return "未查询到相关数据。"
    
    # 将DataFrame转换为格式清晰的文本，方便模型阅读
    # 这里只取前20行，防止数据量过大超出模型上下文
    data_text = query_result_df.head(20).to_string(index=False)
    
    prompt = f"""
    你是一个业务数据分析师。请根据原始的用户问题、以及数据库查询返回的数据，撰写一份简洁、清晰、有洞察力的分析报告。

    用户的原始问题是：{natural_language_query}

    查询返回的数据如下（以表格形式呈现）：
    {data_text}

    请撰写报告：
    1. 首先，直接回答用户问题的核心。
    2. 然后，基于数据，指出关键发现（如最高、最低、趋势、对比等）。
    3. 最后，可以给出1-2条简短、基于数据的业务建议或观察。
    报告语言请使用口语化的中文，避免使用专业术语，让非技术人员也能轻松理解。
    """
    
    try:
        response = client.chat.completions.create(
            model="limuwan-xianni-zaoxiang-z-turbo",
            messages=[
                {"role": "system", "content": "你是一位善于将数据转化为商业洞察的分析师。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.7, # 温度可以稍高，让报告更有创造性
            max_tokens=800
        )
        report = response.choices[0].message.content.strip()
        return report
    except Exception as e:
        print(f"生成报告时出错: {e}")
        return "生成分析报告时出现错误。"

这个Prompt引导模型扮演分析师角色，并给出了清晰的报告结构要求。同时，我们限制了用于生成报告的数据量（head(20)），以确保不会因为数据行数太多而超出模型的处理能力。

5. 实战演示：从提问到报告的全流程

现在，我们把上面三个模块像拼积木一样组合起来，形成一个完整的流程。我们来问两个实际问题看看效果。

def ask_database(question):
    """智能查询主流程：自然语言 -> SQL -> 查询 -> 报告"""
    print(f"用户问题：{question}")
    print("-" * 40)
    
    # 1. 生成SQL
    print("正在将您的问题转化为SQL查询...")
    sql = generate_sql_from_nl(question, table_info)
    if not sql:
        print("生成SQL失败。")
        return
    print(f"生成的SQL：\n{sql}\n")
    
    # 2. 执行查询
    print("正在安全地执行查询...")
    data_df, error = execute_safe_sql_query(sql, db_config)
    if error:
        print(f"查询失败：{error}")
        return
    print(f"查询成功，共获取 {len(data_df)} 行数据。\n")
    
    # 3. 生成报告
    print("正在根据数据生成分析报告...\n")
    report = generate_report_from_data(question, data_df)
    print("=" * 50)
    print("【智能分析报告】")
    print("=" * 50)
    print(report)
    print("=" * 50)

# 演示案例1：查询上个月销售额最高的产品
print("案例1：查询上个月销售额最高的产品")
ask_database("查询上个月销售额最高的产品是什么？总销售额是多少？")

print("\n" + "="*80 + "\n")

# 演示案例2：对比不同渠道的销售情况
print("案例2：对比线上和线下渠道的销售情况")
ask_database("最近三个月，线上商城和线下门店，哪个渠道的总销售额更高？高多少？")

运行这段代码，你可能会看到类似下面的输出（具体数字和表述会根据模型生成结果略有不同）：

对于案例1，模型可能会生成这样的SQL：

SELECT product_name, SUM(quantity * unit_price) as total_sales
FROM sales_records
WHERE sale_date >= DATE_SUB(CURDATE(), INTERVAL 1 MONTH)
GROUP BY product_name
ORDER BY total_sales DESC
LIMIT 1;

然后，生成的报告可能如下：

【智能分析报告】 根据您的问题“查询上个月销售额最高的产品是什么？总销售额是多少？”，我对上个月（从今天往前推一个月）的销售数据进行了分析。

核心答案： 上个月销售额最高的产品是 智能手机X，其总销售额为 574,850元。

数据详情： 数据显示，智能手机X在上个月通过线上和线下渠道共售出205台（线上120台，线下85台），由于其单价较高（2999元），带来了显著的销售额。

简要观察： 尽管智能手表Y的销量（350台）远高于智能手机X，但由于单价差异巨大，其销售额（314,650元）仍低于智能手机X。这表明在高单价产品上的销售表现对整体销售额影响更大。

通过这个完整的流程，一个简单的业务问题，在几秒钟内就变成了一份带有数据和分析的报告。业务同事拿到的不再是product_name | total_sales这样的表格，而是直接能用于决策或汇报的洞察。

6. 总结

把这个系统搭起来之后，我自己也用了一段时间，感觉确实能省不少事。最明显的感受是，那些临时性的、探索性的数据查询需求，现在业务方自己就能搞定，不用再经过我这边了。他们问问题的方式也越来越自然，从“帮我跑个数”变成了“我想看看某某趋势怎么样”。

整个实现的核心，其实就在于那个“翻译”环节——怎么让模型准确地从人话变成SQL。这部分需要你花点心思去设计Prompt，并且最好能根据自己公司数据库的特点做一些定制。比如，把常用的业务指标（像“销售额”、“毛利率”）的计算逻辑明确写在表结构描述里，模型生成SQL的准确率会高很多。

安全方面也不能马虎，一定要像我们代码里做的那样，严格限制只能执行查询语句。这是保护数据的底线。

当然，现在这个版本还是个“玩具”，用在真实的生产环境里，你可能会遇到更复杂的问题，比如多表关联查询、对查询性能有要求、或者需要支持更复杂的分析问题。但这些都可以在现有框架上一步步扩展。比如，你可以加入更精细的权限控制，或者把常用的分析场景（如月度报告）做成模板。

如果你也想试试，建议先从一个小而具体的业务场景开始，比如销售日报或者用户活跃度查询。用起来之后，再根据反馈慢慢优化和扩展。技术最终是为了解决问题，这个小小的智能查询管道，或许就是你们团队提效的一个不错起点。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。