一种无需大语言模型的轻量级且可解释的对话式人工智能框架，用于自然语言 SQL 学习

《Scientific Reports》：A lightweight and explainable conversational AI framework for natural language SQL learning without large language models

　　自然语言接口在编程教育和数据库交互中应用日益广泛。然而，许多近期的文本转SQL系统高度依赖大语言模型（LLM），这些模型需要大量计算资源，且往往作为不透明的黑箱运行。本文提出一种轻量级对话式AI系统，通过交互式自然语言对话帮助初学者学习SQL。所提出的聊天机器人无需使用大语言模型（LLM），即可用自然语言创建和执行SQL数据库查询。该系统融合了基于规则的对话管理和机器学习，为自然语言到SQL的转换提供可解释性。所提出的聊天机器人基于Rasa框架开发，采用双意图与实体变换器（DIET）作为意图识别分类器，并使用混合实体抽取流水线，将统计建模与基于正则表达式的模式匹配相结合。所提出的系统支持使用自然语言进行创建、读取、更新和删除（CRUD）数据库操作，并集成了多层错误管理机制。与需要强大计算资源的基于LLM的方法相比，该系统消耗的资源更少。一项使用超过500个标注示例的实验测试表明，系统的意图识别准确率为92.68%，实体抽取准确率为98.30%。同样，使用100个自然语言查询评估了SQL查询生成准确率，系统整体准确率达到90.0%。这些结果表明，轻量级可解释系统可以像LLM系统一样有效，甚至在某些情况下更有效。