最近，我们收到了很多用户在论坛、博客上主动分享的基于 AI 助手 Demo 改造的趣味实践（戳此回顾 👉 体验 SQL+AI，用 OceanBase 搭建你的 AI 助手 ），非常感谢大家的热情支持！
自 OceanBase 4.3.3 版本发布以来，SQL +AI 的能力受到了广大用户的欢迎。OceanBase 基于一体化向量能力，实现 AI +多模的融合。有不少用户提出希望 OceanBase 继续拓展更多 AI 方向的应用和场景。今天咱主打一个听劝！这就为大家带来一个全新应用——
搭建一个 Text2SQL 应用！
通过大模型用自然语言生成对应的查询 SQL，不仅可以直接在 OceanBase 数据库中执行该 SQL 获取结果，还能够将得到的查询结果进行可视化展示（下文中会将这个应用称为 chat data）。这个应用能够在一定程度上提升 OceanBase 数据库的易用性，且步骤十分简单，欢迎大家都来尝试一下。
一、Text2SQL应用简介
这个 Text2SQL 的 chat data 应用是基于蚂蚁集团的 AI 原生数据智能应用开发框架——DB-GPT 进行。
DB-GPT 通过多模型管理（SMMF）、Text2SQL 效果优化、RAG 框架以及优化、Multi-Agents 框架协作、AWEL （智能体工作流编排）等多种技术能力，使围绕数据库构建大模型数智应用变得更加简单和便捷。目前已有超过 106 万用户学习和使用 DB-GPT ，并有 100+ 家企业已将其集成到生产系统中。
OceanBase 支持向量数据类型的存储和检索，并已适配作为 DB-GPT 的可选向量数据库，支持 DB-GPT 对结构化数据和向量数据的存取需求，从而支撑其上 LLM 应用的开发和落地。
我们可以快速看看应用的效果：让 chat data 写一条简单的 SQL，对 TPC-H 测试集的数据进行查询，并生成可视化的图表，效果如下：
chat data 会自动拿着生成的 SQL 去数据库里执行，并返回查询结果。
再看看另一个示例——输入提示词后，让 chat data 应用帮我们生产一个可视化的散点图。（需要注意的是 Text2SQL 对大模型的能力要求较高，如果执行结果出现错误提示，可以尝试重试和修改提示词。）
二、OceanBase如何支持TextSQL应用
我们可以通过下图去理解 OceanBase 数据库在 Text2SQL 应用中的作用。
图中展示的这个 OceanBase 租户里有三类 database，分别为：
✅ 用于存储用户数据的库（图中的 User Data 库）；
✅ 用于存向量数据的库（图中的 Vector 库）；
✅ 以及其他库（图中的 Others 库）。
Text2SQL 应用的服务对象是数据库，这个被服务数据库在本实验中就是 OceanBase，对应图中的 User Data 库；同时，应用需要对用户输入的自然语言，将数据库对象的元数据拿出来，进行相似性检查，所以也需要一个服务于应用的向量数据库，这个数据库也由 OceanBase 支持，对应图中的 Vector 库。
也就是说，这次实验，不需要专门去另外搭建一个向量数据库，通过 DB-GPT，利用 OceanBase 的向量能力，对在 OceanBase 中存储的用户数据进行服务，完全实现了“自给自足”。
我们从上图的左侧部分，来看 DB-GPT 在搭建 Text2SQL 应用的过程中生产向量的过程。
🚩 首先需要创建一个 User Data 库的连接，在创建这个连接的时候，就会把连接中对应库（例如这个库的真名叫 dbgpt_test_db）中用户数据的元信息（表名、列名等）拿出来；
🚩 然后把这些元信息转成向量的形式；
🚩 最后存入 Vector 库中的一张叫做 dbgpt_test_db_profile 的表内。
DB-GPT 每创建一个新的 User Data 库的连接，就会在 OceanBase 的 Vector 库内创建一张叫做<database_name>_profile 的表，（<database_name>替换为用户使用的数据库名），表中有一个 document 列，用于存储元数据的文本信息；还有一个 embedding 列，用于存储将 document 列转换成的 1024 维向量。
上图的右侧部分，则体现了 OceanBase 和用户交互，然后通过大模型消费向量数据，产生答案的过程。
步骤 1 到 3 ：首先会把用户的自然语言请求，通过模型转换为向量，并在 dbgpt_test_db_profile 表内查询相似度最高的向量。
步骤 4 到 5：大语言模型会基于 Vector 库返回的元数据信息，把自然语言转换为对应的 SQL，并在 User Data 库中执行 SQL 和收集结果数据。还可以根据用户需求将结果数据生成适合的图表。
三、四步搭建chat data应用
进行实验之前，我们需要先开通 OceanBase 数据库，方式有两种：使用 OB Cloud 实例或者使用 Docker 本地部署单机版 OceanBase 数据库。我们在此推荐 OB Cloud 实例，因为它部署和管理都更加简单，且不需要本地环境支持。
OB Cloud 目前已经支持 365 天免费试用，大家可以开通事务型共享实例（MySQL模式）。
开通完成后，只需要下面的 4 步就可以完成 chat data 应用的搭建了。这里不做详细描述，完整的实验步骤流程，可点击下面的链接查看：
https://gitee.com/oceanbase-devhub/DB-GPT/blob/main/docker/compose_examples/ob_dbgpt_tutorial.md
第一步，获取 OceanBase 数据库实例连接串
第二步，申请大模型 API KEY （可以选择阿里云百炼）
第三步，启动 Docker 容器，复制项目镜像
第四步，访问 DB-GPT 平台，创建应用
在 DB-GPT中，还支持知识库的 RAG 应用搭建，大家也可以参考文档中的步骤去搭建。
最后，如果大家想了解 OceanBase 的向量检索能力、向量数据库与 AI 大模型如何联动应用，以及如何去搭建一个检索增强生成（RAG）场景的 AI 助手 Demo，可以移步《体验 SQL+AI，用 OceanBase 搭建你的 AI 助手 》这篇文章继续阅读哦～
四、还有更多
为了让更多的用户更容易地基于 OceanBase 搭建 AI 应用，我们会陆续将不同场景的 AI 实验步骤录制为视频课程，方便大家随时学习。目前已经上线的有 RAG AI 助手 Demo，和如何结合低代码平台 Dify 去搭建 AI 应用，本文的应用和更多实验也将陆续上线。下图扫码可以直达课程。
