企业落地 NL2SQL，需要的是 AI-ready data 和 小模型

主要观点总结

本文介绍了在 NL2SQL 从 Demo 走向生产的过程中，不再依赖大型模型，而是通过更干净的数据底座、更小的专用模型和更可控的工程化流程来实现可靠落地。文章详细阐述了数据、模型、工程化路径等方面的关键问题和解决方案，如数据底座的构建、小模型的应用、语法约束解码、外部结构信息的引入等。

关键观点总结

关键观点1: 数据底座的重要性

数据底座是 NL2SQL 可靠落地的基石，需要提供 AI-ready data，包括元数据、业务语义、权限、样例 SQL 等。

关键观点2: 小模型的应用

小模型在实际场景中表现出色，通过 LoRA 微调配合语法约束解码、执行校验，就能获得很好的效果。相比大模型，小模型的实际落地可能性更大，算力需求更容易满足。

关键观点3: 工程化路径

建立最小可行系统（MVP），逐步引入 AST 约束、检索增强、对齐训练等。通过两级 Schema Linking、小模型 LoRA 微调等技术手段，打通从训练到推理的一致性链路。

关键观点4: 评估维度的改变

相比传统的字符串级匹配评估，更注重执行一致性、结果等价性以及能否在真实生产环境中执行。同时关注成本、延迟等实际落地过程中的关键因素。

关键观点5: 技术架构总览

采用两步式推理、小模型路线、数据与 Prompt 增强等技术手段来提高 NL2SQL 的性能。同时统一数据底座，通过内置连接器自动化同步数据与元数据，形成统一的数据资产视图。