猫头虎开源AI分享｜基于大模型和RAG的一款智能text2sql问答系统：SQLBot（SQL-RAG-QABot），可以帮你用自然语言查询数据库

优质文章学习记录

— 4 min read
猫头虎开源AI分享｜基于大模型和RAG的一款智能text2sql问答系统：SQLBot（SQL-RAG-QABot），可以帮你用自然语言查询数据库

猫头虎开源AI分享｜基于大模型和RAG的一款智能text2sql问答系统：SQLBot（SQL-RAG-QABot），可以帮你用自然语言查询数据库

大家好，我是 猫头虎 🦉🐯。今天要和大家分享一款非常实用的智能问答数据库系统 —— SQLBot（SQL-RAG-QABot）。

它的核心功能就是：
👉 把自然语言问题自动转成数据库能理解的 SQL 语句
👉 再去数据库里执行查询
👉 然后生成图表和分析结果

也就是说，你只需要一句话，就能把数据库里的数据“问”出来。是不是很酷？😎

在这里插入图片描述

而且 SQLBot 不仅仅是执行 SQL，还支持进一步的 分析、解释、验证和预测，还能把多个问答过程构造成一个数据看板，真正实现数据驱动的智能交互。

更重要的是，它 开箱即用：配置模型和数据源即可上手。还支持快速嵌入第三方业务系统，或者作为组件被 n8n、MaxKB、Dify、Coze 等 AI 平台调用。

猫头虎 fork 的 GitHub 项目地址：
🔗 https://github.com/MaoTouHU/SQL-RAG-QABot
SQLBot

基于大模型和 RAG 的智能问数系统

文章目录

🚀 SQLBot 的优势

SQLBot 是一款基于 大模型 + RAG（检索增强生成） 的智能 text2sql 系统，主要优势包括：

  • 开箱即用
    只需配置大模型和数据源即可开启问数之旅，结合 RAG 让 text2sql 更精准。
  • 易于集成
    轻松嵌入第三方业务系统，或者接入 n8n、MaxKB、Dify、Coze 等 AI 平台，让应用瞬间拥有智能问数能力。
  • 安全可控
    提供基于工作空间的资源隔离机制，支持细粒度的数据权限控制。

🛠️ 快速开始

1. 安装部署

准备一台 Linux 服务器，执行以下一键安装脚本。
在运行 SQLBot 前，请确保已安装好 Docker 和 Docker Compose。

# 创建目录mkdir-p /opt/sqlbot cd /opt/sqlbot # 下载 docker-compose.yamlcurl-o docker-compose.yaml https://raw.githubusercontent.com/dataease/SQLBot/main/docker-compose.yaml # 启动服务docker compose up -d

当然，你也可以通过 1Panel 应用商店 一键部署，简单省心。

2. 访问方式

部署完成后，在浏览器中打开：

  • 👉 地址: http://<你的服务器IP>:8000/
  • 👉 默认用户名: admin
  • 👉 默认密码: SQLBot@123456

登录后即可进入可视化界面，像聊天一样向数据库提问。

GIF 效果演示图：

在这里插入图片描述

💻 UI 展示

下面是 SQLBot 的 Q&A 界面，可以看到，输入自然语言问题后，就会自动转成 SQL 并执行：

q&a

⭐ Star History

SQLBot 项目已经在 GitHub 上收获了不少 Star，未来也会不断更新。
如果你对 AI + 数据查询感兴趣，不妨点个 ⭐ 支持一下！

🐯 总结

SQLBot（SQL-RAG-QABot）是一款非常实用的 智能 text2sql 系统，能够帮助我们用自然语言直接查询数据库，并生成图表和数据分析。

  • 适合开发者、数据分析师、业务人员快速获取数据
  • 支持开箱即用 + 第三方集成
  • 同时兼顾易用性与安全性

未来，我会继续尝试基于 SQLBot 构建更智能的数据应用，甚至直接把它做成一个 AI 数据分析助理 🔥。

项目地址再次放上：
https://github.com/MaoTouHU/SQL-RAG-QABot

👆以上就是今天的分享，欢迎大家在评论区交流。
我是 猫头虎 🦉🐯，我们下篇博客见！

Read more

【ZYNQ必学】PS-PL架构完全解析：从零理解ARM+FPGA融合设计(附实战案例)

【ZYNQ必学】PS-PL架构完全解析：从零理解ARM+FPGA融合设计(附实战案例) 📚 目录导航 文章目录 * 【ZYNQ必学】PS-PL架构完全解析：从零理解ARM+FPGA融合设计(附实战案例) * 📚 目录导航 * 概述 * 一、PS-PL架构基础概念 * 1.1 什么是PS和PL * 1.1.1 PS(处理系统)定义 * 1.1.2 PL(可编程逻辑)定义 * 1.1.3 PS vs PL对比 * 1.2 ZYNQ基本结构 * 1.2.1 ZYNQ-7000系列架构 * 1.2.2 ZYNQ-7000的整体架构 * 1.3
低代码赋能培训管理：智能化管控全流程，助力企业人才成长

低代码赋能培训管理：智能化管控全流程，助力企业人才成长

在企业数字化转型浪潮中，人才成为核心竞争力，培训管理作为人才培育的关键环节，其效率与质量直接影响企业发展步伐。传统培训模式的诸多痛点，让企业迫切需要一套高效、智能的系统化解决方案，而低代码平台的出现，正为培训管理数字化升级提供了便捷路径。 人才与数字化双重诉求 企业人才发展需求 市场环境不断变化，业务持续迭代，企业对员工技能提出了更高要求。通过科学的培训管理，既能提升员工专业能力、改善工作绩效，也能为组织发展注入动力，实现人才与企业的共同成长。但传统培训模式存在资源浪费、效果难以保障、流程繁琐等问题，亟需一套系统化方案打破困境，提升培训效率与质量。 数字化转型与数据驱动 数字化转型已成为企业发展的必然趋势，培训管理作为人力资源管理的重要组成部分，数字化升级势在必行。企业需要通过数字化工具实现培训全流程管控，更需要依托数据分析精准评估培训效果、优化培训计划，为培训决策提供科学的数据支撑，让培训真正贴合业务需求。 低代码构建智能培训体系 系统简介 基于低代码平台构建的培训管理系统，专为企业实际需求设计，集成培训管理、考核评价等核心模块，实现培训全流
NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 遥感数据集 NWPU VHR-10数据集是 10个类别地理空间目标检测的挑战性数据集，共650张图片。 YOLO和COCO格式 数据集按默认划分比例：390张训练集、130张验证集、130张测试集。 手动标注了757架飞机、302艘船只、655个储罐、390个棒球场、524个网球场、159个篮球场、163个田径场、224个港口、124座桥梁和598辆车辆。 📊 一、数据集总体信息 项目描述数据集名称NWPU VHR-10（Northwestern Polytechnical University Very High Resolution 10-class Dataset）任务类型遥感图像中的地理空间目标检测（Object Detection in Remote Sensing Images）图像总数650 张（均为高分辨率遥感图像，源自 Google Earth 等平台）图像分辨率约 600×600
（10-1）大模型时代的人形机器人感知：视觉-语言模型在机器人中的应用

（10-1）大模型时代的人形机器人感知：视觉-语言模型在机器人中的应用

本章内容聚焦大模型时代人形机器人的感知体系升级，系统介绍了视觉—语言模型、多模态Transformer与3D大模型在机器人中的核心作用，详细讲解了文本、视觉、点云与语音等信息的语义对齐与融合机制，介绍了从语言指令到视觉目标的Grounding、任务分解与意图理解方法，并通过闭环感知与决策联动，展示了大模型支撑机器人在复杂真实场景中的理解、规划与实时行动的用法。 10.1  视觉-语言模型在机器人中的应用 视觉—语言模型（Vision-Language Model，VLM）通过统一建模视觉与自然语言，使机器人具备“看懂并理解语言”的能力，是大模型时代机器人感知与认知融合的核心技术。VLM不仅能够完成图像识别、目标检测等传统感知任务，还可以直接理解语言指令、进行语义推理，并将高层语义映射为可执行的感知与行动目标，在人形机器人中广泛应用于交互理解、场景认知和任务执行等环节。 10.1.1  CLIP/BLIP/Flamingo等模型简介 随着大规模多模态数据与Transformer架构的发展，视觉—语言模型逐渐从“跨模态对齐”演进为“多模态理解与推理”。CLIP、BLIP与Flam