还在为写 SQL 查询语句头疼？还在因不懂数据库结构而无从下手？今天教你用 LangChain 快速搭建SQL 智能问答 Agent，让 AI 替你完成「分析问题→生成 SQL→执行查询→返回结果」全流程，只需输入自然语言，就能直接查询 SQL 数据库，零基础也能轻松上手！

一、核心原理：SQL Agent 到底能做什么？

SQL Agent 是 LangChain 基于智能体能力打造的数据库交互工具，核心是让大模型结合数据库工具，模拟人类操作数据库的思维流程，无需手动写 SQL，实现自然语言与数据库的双向交互。

一个完整的 SQL Agent 工作流程包含 8 个核心步骤，全程自动化执行：

1. 从数据库中获取所有可用的表和表结构；

2. 分析用户自然语言问题，判断相关联的表；

3. 提取关联表的详细 schema（字段、类型、主键外键等）；

4. 结合问题和表结构，生成语法正确的 SQL 查询语句；

5. 调用大模型校验 SQL 语句，排查语法、关联错误等常见问题；

6. 执行 SQL 语句，从数据库获取查询结果；

7. 若执行报错，根据数据库引擎的错误信息修正 SQL，直至执行成功；

8. 将查询结果整理成自然语言，返回给用户。

安全提醒

由于 Agent 会自动生成并执行 SQL，务必严格限制数据库连接的权限，仅赋予 Agent「查询（SELECT）」权限，禁止增删改（INSERT/UPDATE/DELETE/DROP）权限，降低模型驱动系统的固有风险。

二、前置准备：环境安装与配置

1. 安装核心依赖

本次实战需要 LangChain 核心包、数据库工具包、LangGraph（智能体流控）等，执行以下命令一键安装：

pip install langchain langgraph langchain-community

pip install -U "langchain[openai]"

pip install -U pymysql

pip install -U SQLAlchemy

三、分步实现：搭建 SQL 智能问答 Agent

步骤 1：初始化数据库

创建 部门表（dept）和员工表（emp）

create database testdb;

use testdb;-- 创建用户并授权CREATE USER IF NOT EXISTS 'sun'@'localhost' IDENTIFIED BY 'sun';GRANT SELECT ON testdb.* TO 'sun'@'localhost';FLUSH PRIVILEGES;DROP TABLE IF EXISTS dept;CREATE TABLE dept (    dept_id INT AUTO_INCREMENT COMMENT '部门ID（主键）',    dept_name VARCHAR(50) NOT NULL COMMENT '部门名称',    dept_desc VARCHAR(200) DEFAULT '' COMMENT '部门描述',    create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',    PRIMARY KEY (dept_id),    -- 确保部门名称唯一    UNIQUE KEY uk_dept_name (dept_name)) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='部门表';

DROP TABLE IF EXISTS emp;

CREATE TABLE emp (    emp_id INT AUTO_INCREMENT COMMENT '员工ID（主键）',    emp_name VARCHAR(50) NOT NULL COMMENT '员工姓名',    gender CHAR(1) NOT NULL COMMENT '性别（男/女）',    age TINYINT UNSIGNED NOT NULL COMMENT '年龄',    phone VARCHAR(20) DEFAULT '' COMMENT '联系电话',    email VARCHAR(100) DEFAULT '' COMMENT '邮箱',    dept_id INT COMMENT '所属部门ID（外键）',    hire_date DATE NOT NULL COMMENT '入职日期',    salary DECIMAL(10,2) NOT NULL COMMENT '月薪',    create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',    PRIMARY KEY (emp_id),    -- 外键关联部门表，保证员工所属部门必须存在    CONSTRAINT fk_emp_dept FOREIGN KEY (dept_id) REFERENCES dept (dept_id)        ON DELETE SET NULL  -- 部门删除时，员工的部门ID设为NULL        ON UPDATE CASCADE   -- 部门ID更新时，员工的部门ID同步更新) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='员工表';
-- ------------------------------ 分别 插入测试数据-- ----------------------------INSERT INTO dept (dept_name, dept_desc) VALUES('研发部', '负责公司产品的研发和迭代'),('人事部', '负责人力资源管理、招聘、培训'),('财务部', '负责公司财务核算、资金管理'),('市场部', '负责市场推广、客户拓展'),('销售部', '负责产品销售、客户维护');INSERT INTO emp (emp_name, gender, age, phone, email, dept_id, hire_date, salary) VALUES('张三', '男', 30, '13800138000', 'zhangsan@company.com', 1, '2020-01-15', 15000.00),('李四', '女', 28, '13900139000', 'lisi@company.com', 1, '2021-03-20', 12000.00),('王五', '男', 35, '13700137000', 'wangwu@company.com', 2, '2018-05-10', 18000.00),('赵六', '女', 26, '13600136000', 'zhaoliu@company.com', 3, '2022-07-08', 10000.00),('孙七', '男', 40, '13500135000', 'sunqi@company.com', 4, '2015-09-01', 20000.00),('周八', '女', 32, '13400134000', 'zhouba@company.com', 5, '2019-11-12', 16000.00),('吴九', '男', 29, '13300133000', 'wJiu@company.com', NULL, '2023-01-05', 8000.00);

核心代码与提示词：

import ast

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain_community.agent_toolkits import create_sql_agent, SQLDatabaseToolkit
from langchain_community.tools import QuerySQLDatabaseTool
from langchain_community.utilities import SQLDatabase

BASE_URL = "http://localhost:11434/v1"

llm = init_chat_model(
    model="qwen2.5:1.5b",
    model_provider="openai",
    base_url=BASE_URL,
    api_key="EMPTY",
    temperature=0
)
#
db_user = "sun"
db_password = "sun"
db_host = "localhost"
db_name = "testdb"

db = SQLDatabase.from_uri(f"mysql+pymysql://{db_user}:{db_password}@{db_host}/{db_name}")
toolkit = SQLDatabaseToolkit(db=db,
                             llm=llm)

# 自定义系统提示词，适配当前数据库方言和查询规则
system_prompt = """
# 角色定义
你是一个专业的SQL数据库查询智能体，专门用于与{dialect}数据库交互。核心任务：理解问题 → 生成SQL → 执行查询 → 返回结果。

# 工作流程（严格按顺序）
1. 【元数据发现】首先执行 `SHOW TABLES;` 查看可用表，禁止跳过
2. 【结构探查】查询 `information_schema.COLUMNS` 或 `DESCRIBE` 获取相关表字段信息
3. 【SQL生成】编写{dialect}查询语句：
   - 仅选择问题相关列，禁止 `SELECT *`
   - 默认添加 `LIMIT {top_k}`（用户指定数量时除外）
   - 按需添加 `ORDER BY` 提升相关性
   - 严禁使用DML语句（INSERT/UPDATE/DELETE/DROP/ALTER等）
4. 【预执行检查】验证语法、表名、字段名、权限
5. 【执行与容错】执行查询；若报错，分析修正后重试（最多2次）
6. 【结果返回】严格按下方格式输出

# 输出规范（强制遵守）
- ✅ 仅输出Python列表格式，元素为元组，每行数据对应一个元组：
[(val1_col1, val1_col2, ...), (val2_col1, val2_col2, ...), ...]
- ✅ 无结果时输出：`[]`
- ❌ 禁止输出：SQL语句、列名、解释、日志、Markdown、额外文字或标点
""".format(
    dialect=db.dialect,
    top_k=10
)
agent = create_agent(llm, tools, system_prompt=system_message)

resp = agent.invoke(input = {"messages": [{"role": "user", "content": "帮我查一下研发部有哪些员工？"}]})

for res in resp['messages']:
  res.pretty_print()

执行结果与日志：

用sql验证一下

总结：

• 进行sqlagent开发主要使用了核心工具SQLDatabaseToolkit封装了数据库交互的所有核心工具，无需手动开发。

SQL Agent 彻底打破了「自然语言」和「数据库」之间的壁垒，让不懂 SQL 的产品、运营、业务人员也能快速查询数据库数据，大幅提升数据获取效率。本次实战的代码可直接复用，只需根据自身需求替换数据库和大模型，即可快速落地到实际工作中。后续可结合可视化组件生成数据报表，关注我，解锁更多 AI 自动化实战技巧！