同一問題、同一 SQL、同一答案

私募市場數據平台：可驗證的自然語言搜尋

問「今年收到、位於西南區、LTV 低於 70% 的工業物業」，即可取得準確表格。模型負責理解，但從不自行撰寫 SQL。

問題

一個服務地產及私募信貸投資者的數據平台，把交易數據存放在一張過百欄位的大表內，只有分析師懂得查詢。交易團隊說的是「LTV」、「多戶住宅」、「西南區」，欄位卻不是這樣命名；一個會猜測甚至虛構欄位的 text-to-SQL，只會自信地給出錯誤結果。

以 Chat 介面查詢數據庫，但 LLM 從不直接撰寫 SQL。模型把問題轉為結構化篩選條件，再由程式產生經驗證的唯讀 query。結果以表格呈現，並列明所套用的篩選條件。

痛點

方案拆解

先為數據庫做 Profiling. 自動分析每個欄位的類型、空值、範圍與常見值，並以 SQL 核對，令 AI 依據事實而非猜測。
掌握業內術語. 為每個欄位自動撰寫描述與同義詞，「貸款額」、「LTV」都能準確對應。
先檢索，後生成. Entity index、vector search 與 fuzzy matching（「york」→ New York）並用，先釐清所需的表與欄位。
輸出 JSON 計劃而非 SQL. 模型輸出篩選計劃並按 schema 驗證；不存在的欄位一律拒絕，「價錢」等含糊字眼會先反問釐清。
由程式組成 SQL. 確定性 generator 產生 SQL、驗證並封鎖所有寫入操作，失敗最多重試兩次。
按環節選用模型. 逐個組件實測：描述撰寫保留大模型以確保質素；實體分組改用便宜約 90% 的模型，效果相若甚至更佳。

成果

同一問題、同一 SQL、同一答案

Tech Stack

NL2SQLAI AgentReal EstatePrivate Credit

確定性就是產品本身。同一條問題，永遠得出同一個計劃、同一句 SQL、同一批結果；每次查詢均有記錄；模型虛構的欄位根本無法觸及數據庫。投資委員會要信任一個 Chat 視窗，就需要這個標準。