这是我迄今为止最喜欢的选项，尽管它非常难以实现。因此，你猜对了，又一篇论文。同样，这也不是一篇权威论文，因为有许多类似的方法。
“DiagGPT：一种基于 LLM 的具有自动主题管理功能的面向任务对话的聊天机器人”，作者 Lang Cao（pdf）
只需根据需要将医疗信息替换为 PostgreSQL 信息。有趣的是，这篇论文提供了提示，并建议使用哪些工具和代理。
深入研究。 (点击三角形进入)
既然“面向任务对话”似乎是必需的。
Google 搜索：“面向任务对话”
搜索结果包括：Papers With Code - 面向任务的对话系统
排行榜条目是 T5-3b(UnifiedSKG)，其中包含一篇论文的链接
“UnifiedSKG：使用文本到文本语言模型统一和多任务结构化知识基础”，作者 Tianbao Xie、Chen Henry Wu、Peng Shi、Ruiqi Zhong、Torsten Scholak、Michihiro Yasunaga、Chien-Sheng Wu、Ming Zhong、Pengcheng Yin、Sida I. Wang、Victor Zhong、Bailin Wang、Chengzu Li、Connor Boyle、Ansong Ni、Ziyu Yao、Dragomir Radev、Caiming Xiong、Lingpeng Kong、Rui Zhang、Noah A. Smith、Luke Zettlemoyer 和 Tao Yu（pdf）
请注意这一点
编辑
来自 https://python.langchain.com/
从 LLM 和工具构建 SQL 代理。（参考）
页面底部列出了几个，应该看一下这个
用例
企业数据通常存储在 SQL 数据库中。
LLM 使能够使用自然语言与 SQL 数据库进行交互。
LangChain 提供 SQL 链和代理，用于根据自然语言提示构建和运行 SQL 查询。
这些与 SQLAlchemy 支持的任何 SQL 方言兼容（例如，MySQL、PostgreSQL、Oracle SQL、Databricks、SQLite）。
它们支持以下用例：
- 根据自然语言问题生成将要运行的查询
- 创建可以根据数据库数据回答问题的聊天机器人
- 构建基于用户想要分析的见解的自定义仪表板
编辑（2023 年 8 月 23 日）
Spider 是一个大型的复杂且跨领域语义解析和文本到 SQL 数据集，由 11 名耶鲁学生注释。Spider 挑战的目标是开发跨领域数据库的自然语言接口。它包含 10,181 个问题和 5,693 个复杂的唯一 SQL 查询，涵盖 200 个数据库，其中包含涵盖 138 个不同领域的多个表。在 Spider 1.0 中，不同的复杂 SQL 查询和数据库出现在训练集和测试集中。要在此取得好成绩，系统必须能够很好地泛化到新的 SQL 查询以及新的数据库模式。
编辑（2023 年 8 月 24 日）
Dataherald 是一个面向企业级结构化数据问答的自然语言到 SQL 引擎。它允许您从数据库设置一个 API，该 API 可以用纯英语回答问题。
正如我经常告诉别人的那样，生活中有些事情你只需要等待，就会有人免费为你做。