1

1

之前做过知识图谱，跟这个场景比较类似，在 gpt-4 的时间点，我们的方案是做了一个 NL2SQL 的例子库，把用户 q 召回 NL2SQL 的例子，给模型参考改写。现在我理解模型的 coding 能力很强，而且上下文窗口很大，还会遇到改写准确率低的问题吗？

2

https://spike.wiki/post/how-we-built-chatbot-with-kg
之前技术方案

3

“把用户 q 召回 NL2SQL 的例子，给模型参考改写” 这个是 fewshot ？
你做的好早啊， 什么名词都是 demo 都很好，一到企业级复杂度就蹭蹭的涨， 模型能力变强，在业务歧义和多跳上几乎没什么太大变化。

4

“把用户 q 召回 NL2SQL 的例子，给模型参考改写” 这个是 fewshot ？
是的，few shot 。

5

现在大家方法不一样，但是有一个共识就是要做语义层：
1 、传统的比如 bi 里带指标管理，或者 dbt metricflow cubejs 这种
2 、“in db” snowflake 、databricks
3 、直接就基于 ontology 理论的
4 、上面 google
大概这 4 个方向