本项目基于老师提供的 college_2 数据库与 Spider 格式数据集，使用 LangChain + LLM（DeepSeek/Qwen3/OpenAI兼容接口）实现自然语言到 SQL 的生成与执行，并通过 Streamlit 提供 Web 交互界面。

• app.py：Streamlit Web 界面
• src/：核心模块（schema、prompt、检索、执行、评测）
• data/：数据集与数据库文件

pip install -r requirements.txt

1. 在项目根目录创建 .env 文件并配置 API 信息（已为您创建）：

   LLM_API_KEY=你的key
   LLM_BASE_URL=你的base_url
   LLM_MODEL_NAME=qwen-plus

2. 启动 Streamlit：

   streamlit run app.py

说明：

• 若使用 Qwen3/DeepSeek/OpenAI 兼容接口，请填写对应的 OPENAI_BASE_URL 与 MODEL_NAME。
• 默认使用 data/database/college_2/college_2.sqlite 作为数据库。
• 可选设置 DB_URL 连接 PostgreSQL，未设置则默认 SQLite。

• 查询预处理：自动规范化用户输入的空白符。
• 混合 RAG 检索 (推荐)：统一采用 TF-IDF + 向量检索 的混合方案，兼顾关键词精准度与语义理解。
• LLM 生成 SQL：基于 LangChain 调用大模型，支持 Few-shot 学习与多轮对话重写。
• 安全执行：仅允许 SELECT 语句，自动处理 LIMIT 冲突，防止大表崩溃。
• 卡片式交互 UI：支持左右气泡对话、分步生成状态展示。
• 结果可视化：集成 Plotly，支持柱状图、折线图、饼图、散点图。
• 会话记忆：支持多轮对话消歧（问题重写），记忆可配置轮数并支持一键清空。
• 自动化评测：内置详细评测脚本，支持结果归一化比对与列顺序无关匹配。

项目内置了详细的评测脚本，用于验证 SQL 生成的准确率与响应时间。系统统一使用混合检索 (Hybrid) 模式以获得最佳效果。

# 运行评测（默认测试测试集）
python -m src.eval

# 常用选项：
# --limit 10      限制测试前10条数据（快速调试）
# --top_k 8       设置检索示例数量（推荐 5-10）
# --use_train_set  使用训练集进行评测

• 执行准确率：基于执行结果集比对（Execution Accuracy），支持列顺序无关匹配与数值归一化。
• 控制台输出：实时显示每个 ID 的状态（✅/❌）、耗时及问题。针对失败用例，会对比预测 SQL 与标准 SQL。
• 报告文件：自动生成 eval_report.txt，包含详细对比记录。

• LangChain
• DeepSeek / Qwen3（OpenAI 兼容 API）
• SQLite（默认，便于部署）
• PostgreSQL（可选：设置 DB_URL=postgresql+psycopg2://user:pass@host:5432/dbname）
• Streamlit
• FAISS + Sentence-Transformers (用于语义 RAG)

已内置 SQLAlchemy 连接逻辑，若未设置 DB_URL 则自动使用 SQLite。