在之前介绍利用大语言模型进行SQl问答的文章中，都还是以实现思路的介绍为主，但是在实际应用中，我们会发现NL2SQL的准确性问题是一个很大的挑战。
本文主要总结一下常见的问题，以及解决这些问题的策略。
需求描述不清晰：多数时候用户很难完整、准确、清晰地表达自己的数据需求，这个并不是用户的过错，因为自然语言本身就是多样性且非结构化的。
输入信息不充分：用户不清楚应使用哪些表，不了解表结构，或对数据仓库中已有的指标理解不足，数据维度不清晰等等。
SQL生成不准确：由于模型本身的能力和泛化水平限制，导致对于复杂问题难以生成准确的SQL。
LLM对特定数据库语法缺乏理解：由于数据库的种类多样，尤其是大企业有自己定制的数据库，部分SQL函数和语法是不通用的。
优化指标需求描述：在需求描述阶段提供结构化的建议，如使用公司内部常用的指标描述，需求描述的套路，必须要说明哪些关键信息。
复杂问题拆解：利用 Agent 将复杂问题拆解成多个简单问题，然后逐个迭代解决。
构建案例库：整理常见问题和解决方案，形成知识库，在 prompt 中插入 example selector，根据用户输入的问题，自动选择相似的问题和解决方案作为提示。
SQL改写：利用 Agent 对生成的SQL进行语法改写，确保与目标数据库的语法一致。在生成提示（prompt）时提供数据库特定的函数建议，并在SQL执行出错时进行修正。
模型微调：利用自有数据集对模型进行微调和强化学习，但成本较高，需要平衡收益和成本。