01
问题约束与工作流
将查询任务拆解为 Schema 检索、意图解析、SQL 生成、校验执行和错误修正，并结合 M_schema 动态转换、CoT Prompt 与执行反馈驱动的 SQL 自修正机制。
TEXT-TO-SQL · CRCHI
企业内部智能问数与 ChatBI 系统
面向企业内部 MySQL 多数据库查询门槛高、跨业务取数效率低的问题，构建自然语言问数、SQL 校验执行和数据可视化闭环。
- 角色
- 大模型应用开发实习生
- 时间
- 2026.02 – 2026.05
92%端到端执行准确率较基线提高 15%
100%列检索 Top-3220 条查询离线评测
毫秒级分层检索时延表级粗召回 + 列级精召回
30-SECOND READOUT
面试速览
- 我负责
- Workflow、Schema 检索、SQL 执行反馈修正，以及 FastAPI / SSE 服务化与可视化接入。
- 关键取舍
- 宽表场景先做表级粗召回、再做列级精召回，避免把全量 Schema 塞入上下文。
- 如何验证
- 端到端执行准确率达到 92%，较基线提高 15%；220 条真实业务查询的列检索 Top-3 命中率达到 100%，分层检索时延降至毫秒级。
02
检索架构
- 并行融合语义检索、BM25 关键词匹配与库内值召回。
- 离线构建 Table / Column 检索文档和元数据，并写入 Chroma 向量数据库。
- 针对宽表设计表级粗召回 + 列级精召回，避免全量列检索。
03
我的职责与服务化
我参与 Workflow、Schema 检索、执行反馈修正及 FastAPI / SSE 服务化，接入本地 LLM，并集成 ECharts 完成 ChatBI 可视化。
04
离线评测结果
在业务查询评测中，端到端执行准确率达到 92%，较基线提高 15%；在 220 条真实业务查询上，列检索 Top-3 命中率达到 100%，分层检索时延降至毫秒级。这组结果用于验证 Schema 检索、SQL 生成与执行反馈链路的整体有效性。