通义千问1.5-1.8B-Chat-GPTQ-Int4数据库智能助手：MySQL安装配置与SQL生成教程

你是不是也遇到过这种情况？面对一堆业务需求，脑子里想的是“给我找出上周销量前十的产品”，但手却要笨拙地在键盘上敲出一长串SELECT ... FROM ... WHERE ... ORDER BY ... LIMIT ...。或者，新项目启动，需要设计数据库表结构，光是写CREATE TABLE语句和各种字段约束就耗去大半天。

如果有一个助手，能听懂你说的“人话”，然后自动帮你把正确的SQL语句写出来，那该多省事。今天，我们就来一起搭建这样一个智能助手。整个过程非常简单，你不需要是AI专家，甚至对数据库也只是略懂一二，跟着步骤走，一小时之内就能拥有一个能帮你写SQL的私人助理。

我们会分两步走：第一步，先把MySQL数据库这个“家”安好；第二步，请来我们的智能助手——通义千问1.5-1.8B-Chat-GPTQ-Int4模型，并让它学会如何与MySQL对话。准备好了吗？我们开始吧。

1. 搭建基础环境：安装与配置MySQL

任何数据操作都得有个存放数据的地方，MySQL就是一个非常流行且好用的选择。我们先把它安装好，这是后续所有操作的基础。

1.1 在Linux系统上安装MySQL

这里以常见的Ubuntu系统为例。打开你的终端，依次执行下面的命令。

首先，更新一下软件包列表，确保我们获取的是最新的安装源信息：

sudo apt update

接着，安装MySQL服务器软件包：

sudo apt install mysql-server -y

安装完成后，MySQL服务会自动启动。你可以运行下面的命令来确认它是否在正常运行：

sudo systemctl status mysql

如果看到“active (running)”的字样，说明MySQL已经成功运行起来了。

1.2 进行安全初始化配置

刚安装好的MySQL默认配置不太安全，我们需要运行一个安全脚本进行加固。这个脚本会引导你完成一系列设置。

sudo mysql_secure_installation

运行后，你会看到一些交互提示，我来帮你梳理一下该怎么选：

• 验证密码插件：一般选择“n”，不使用强密码验证插件，这样设置密码更灵活。
• 设置root密码：这是最重要的步骤，输入一个你记得住的强密码（输入时不可见），并确认一次。
• 删除匿名用户：选择“y”，移除任何匿名账户，提高安全性。
• 禁止root远程登录：选择“y”，防止从外部网络直接用最高权限账户登录。
• 删除测试数据库：选择“y”，移除默认的测试库。
• 重新加载权限表：选择“y”，让上述所有安全设置立即生效。

完成这些，你的MySQL就处在一个比较安全的状态了。

1.3 创建我们专用的数据库和用户

为了操作安全，我们不建议直接用root用户进行日常开发。我们来创建一个专门的数据库和用户。

首先，以root身份登录MySQL命令行：

sudo mysql -u root -p

输入你刚才设置的root密码。进入MySQL命令行（提示符变为mysql>）后，依次执行以下SQL语句：

-- 创建一个名为‘qwen_assistant’的数据库，我们后续的操作都在这里进行
CREATE DATABASE qwen_assistant DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

-- 创建一个新用户‘dev_user’，并设置密码（请把‘YourStrongPassword123!’换成你自己的密码）
CREATE USER 'dev_user'@'localhost' IDENTIFIED BY 'YourStrongPassword123!';

-- 把‘qwen_assistant’数据库的所有权限授予给‘dev_user’用户
GRANT ALL PRIVILEGES ON qwen_assistant.* TO 'dev_user'@'localhost';

-- 让权限设置生效
FLUSH PRIVILEGES;

-- 退出MySQL命令行
EXIT;

好了，数据库的基础环境已经准备妥当。接下来，我们请出今天的主角——AI助手。

2. 部署智能助手：通义千问模型

我们的智能助手基于通义千问1.5-1.8B-Chat模型的量化版本。这个版本在保持不错能力的同时，对电脑配置要求非常低，普通带显卡的电脑就能运行。

2.1 一键拉取并启动模型服务

这里我们使用Ollama工具来部署，它让大模型的运行变得像安装普通软件一样简单。确保你的电脑已经安装了Docker。

打开终端，执行下面这一条命令：

docker run -d --name qwen-sql-helper -p 11434:11434 ollama/ollama run qwen2.5:1.8b

我来解释一下这条命令在做什么：

• docker run -d：让Docker在后台运行一个容器。
• --name qwen-sql-helper：给这个容器起个名字，方便我们管理。
• -p 11434:11434：将容器内部的11434端口映射到电脑的11434端口，这样我们才能访问模型服务。
• ollama/ollama run qwen2.5:1.8b：这是核心，告诉Ollama去拉取并运行“qwen2.5:1.8b”这个模型。

命令执行后，Docker会自动下载模型。首次下载可能需要几分钟，取决于你的网速。下载完成后，模型服务就在后台静静待命了。

你可以用下面的命令查看容器是否在运行：

docker ps | grep qwen-sql-helper

2.2 验证模型服务

服务跑起来后，我们得试试它能不能正常对话。最简单的方法是直接用curl命令发个请求。

curl http://localhost:11434/api/generate -d '{
  "model": "qwen2.5:1.8b",
  "prompt": "你好，请介绍一下你自己。",
  "stream": false
}'

如果返回了一段包含自我介绍的文字，比如“我是通义千问...”，那么恭喜你，模型服务部署成功！

3. 让助手连接数据库：编写桥梁程序

现在，我们有了“大脑”（AI模型）和“仓库”（MySQL数据库），还需要一个“翻译官”在中间传话。这个翻译官就是一个Python程序，它负责把我们的自然语言传给AI，再把AI生成的SQL拿去数据库执行，最后把结果返回给我们。

3.1 安装必要的Python库

创建一个新的项目目录，然后在里面安装我们需要的工具包：

pip install pymysql requests

• pymysql：用来连接和操作MySQL数据库。
• requests：用来向我们的AI模型服务发送HTTP请求。

3.2 编写智能数据库助手脚本

创建一个名为sql_ai_assistant.py的文件，把下面的代码复制进去。代码里的注释会帮你理解每一部分的作用。

import pymysql
import requests
import json

class SQLAIAssistant:
    def __init__(self, db_config, model_endpoint="http://localhost:11434/api/generate"):
        """
        初始化助手，连接数据库，并设置AI模型地址。
        """
        self.db_config = db_config
        self.model_endpoint = model_endpoint
        self.connection = None
        self._connect_db()

    def _connect_db(self):
        """连接到MySQL数据库"""
        try:
            self.connection = pymysql.connect(**self.db_config)
            print("✅ 数据库连接成功！")
        except pymysql.Error as e:
            print(f"❌ 数据库连接失败: {e}")
            raise

    def ask_ai_to_generate_sql(self, natural_language_request):
        """
        核心功能：将自然语言描述发送给AI，让它生成SQL语句。
        """
        # 构建一个清晰的提示词，告诉AI它的角色和任务
        prompt = f"""你是一个专业的SQL专家。请根据用户的自然语言描述，生成准确、可执行的MySQL SQL语句。
        用户描述：{natural_language_request}
        请只输出SQL语句，不要包含任何解释性文字。"""
        
        payload = {
            "model": "qwen2.5:1.8b",
            "prompt": prompt,
            "stream": False
        }
        
        try:
            response = requests.post(self.model_endpoint, json=payload, timeout=30)
            response.raise_for_status()  # 检查请求是否成功
            result = response.json()
            # 提取AI返回的回复内容，并去除可能的首尾空格或换行
            generated_sql = result.get('response', '').strip()
            # 有时AI会包含代码块标记，我们尝试清理一下
            if generated_sql.startswith('```sql'):
                generated_sql = generated_sql[6:]
            if generated_sql.endswith('```'):
                generated_sql = generated_sql[:-3]
            return generated_sql.strip()
        except requests.exceptions.RequestException as e:
            print(f"❌ 请求AI模型失败: {e}")
            return None
        except json.JSONDecodeError as e:
            print(f"❌ 解析AI响应失败: {e}")
            return None

    def execute_sql(self, sql):
        """
        执行SQL语句，如果是查询则返回结果，如果是修改操作则提交事务。
        """
        if not sql:
            print("⚠️  SQL语句为空，跳过执行。")
            return None
            
        print(f"🛠️  即将执行SQL: {sql}")
        try:
            with self.connection.cursor() as cursor:
                cursor.execute(sql)
                # 判断是否是查询语句（SELECT, SHOW等）
                if sql.strip().upper().startswith('SELECT') or sql.strip().upper().startswith('SHOW'):
                    results = cursor.fetchall()
                    columns = [desc[0] for desc in cursor.description] if cursor.description else []
                    return columns, results
                else:
                    # 对于INSERT, UPDATE, DELETE等操作，提交事务
                    self.connection.commit()
                    affected_rows = cursor.rowcount
                    print(f"✅ 操作成功，影响行数: {affected_rows}")
                    return affected_rows
        except pymysql.Error as e:
            print(f"❌ SQL执行错误: {e}")
            self.connection.rollback()  # 出错时回滚
            return None

    def natural_language_query(self, request):
        """
        一站式服务：输入自然语言，得到查询结果。
        1. 让AI生成SQL。
        2. 执行该SQL。
        3. 返回结果。
        """
        print(f"\n👤 你的问题: \"{request}\"")
        sql = self.ask_ai_to_generate_sql(request)
        if sql:
            print(f"🤖 AI生成的SQL: {sql}")
            return self.execute_sql(sql)
        else:
            print("无法生成有效的SQL语句。")
            return None

    def close(self):
        """关闭数据库连接"""
        if self.connection:
            self.connection.close()
            print("数据库连接已关闭。")

# 配置你的数据库连接信息（使用之前创建的dev_user）
db_config = {
    "host": "localhost",
    "user": "dev_user",
    "password": "YourStrongPassword123!",  # 记得换成你设置的密码
    "database": "qwen_assistant",
    "charset": "utf8mb4"
}

if __name__ == "__main__":
    # 实例化助手
    assistant = SQLAIAssistant(db_config)
    
    try:
        # 示例1：让AI创建一张表
        print("\n" + "="*50)
        print("示例1：创建用户表")
        create_table_request = “我们需要一张用户表，表名叫‘users’。包含以下字段：id（整数，主键，自增长），username（字符串，最长50字符，不能重复），email（字符串，最长100字符，不能重复），created_at（记录创建时间，用时间戳类型）”
        assistant.natural_language_query(create_table_request)
        
        # 示例2：向表中插入一些示例数据
        print("\n" + "="*50)
        print("示例2：插入测试用户数据")
        insert_data_request = “向users表插入三条数据：用户1，用户名‘小明’，邮箱‘xiaoming@example.com’；用户2，用户名‘小红’，邮箱‘xiaohong@example.com’；用户3，用户名‘小刚’，邮箱‘xiaogang@example.com’”
        assistant.natural_language_query(insert_data_request)
        
        # 示例3：进行一个复杂的查询
        print("\n" + "="*50)
        print("示例3：查询所有用户，并按用户名排序")
        query_request = “把users表里所有的用户信息都查出来，按照用户名的字母顺序排列”
        result = assistant.natural_language_query(query_request)
        
        if result:
            columns, data = result
            print("\n📊 查询结果：")
            print(columns)  # 打印列名
            for row in data:
                print(row)   # 打印每一行数据
                
    finally:
        # 最后记得关闭连接
        assistant.close()

3.3 运行你的第一个AI生成SQL

在终端里，运行这个Python脚本：

python sql_ai_assistant.py

你会看到一系列输出，展示AI如何理解你的“人话”，并将其转换成CREATE TABLE、INSERT和SELECT语句，然后自动执行并返回结果。第一次看到这个过程，应该会感觉挺神奇的。

4. 进阶技巧与实战建议

现在基础功能已经跑通了，但要想让它真正成为你的得力助手，还需要一些“调教”和技巧。

4.1 如何描述得更清楚，让AI生成更准的SQL

AI毕竟不是人，你需要给它清晰的指令。对比下面两种说法：

• 模糊的描述：“查一下用户数据。”
• 清晰的描述：“从users表中，查询username和email这两个字段，只要created_at在2024年之后的记录，结果按username升序排列。”

显然，第二种描述方式能让AI生成出你真正想要的SELECT username, email FROM users WHERE created_at > ‘2024-01-01’ ORDER BY username ASC。养成习惯，在描述时尽量包含表名、字段名、条件、排序方式等关键要素。

4.2 处理复杂的业务场景

对于非常复杂的查询，比如涉及多表连接（JOIN）和嵌套子查询，你可以尝试“分步引导”AI。

1. 先让AI创建相关的表结构。
2. 再描述每个步骤的逻辑：“首先，从订单表里找到所有状态是‘已完成’的记录；然后，把这些记录和用户表通过user_id关联起来；最后，统计每个用户的订单总金额。”

AI可能会生成一个包含JOIN和GROUP BY的复杂语句。如果一次不成，你可以根据错误信息，稍微调整你的描述再试一次。

4.3 安全至关重要：永远要审查AI生成的SQL

这是最重要的一条建议！尤其是对于DELETE、UPDATE或DROP TABLE这类会修改或删除数据的操作。在脚本中，我们在执行前会打印出SQL语句（🛠️ 即将执行SQL:），这就是给你做最后审查的机会。

在生产环境中，可以考虑增加一个“模拟执行”或“人工确认”的环节，避免误操作。我们的示例脚本没有自动执行DROP等危险操作，但你在扩展功能时一定要牢记这一点。

5. 总结

走完这个教程，你会发现，将一个专业的AI大模型变成一个解决具体工作痛点的工具，并没有想象中那么复杂。我们就像搭积木一样，把MySQL数据库、通义千问模型和一个简单的Python脚本组合起来，就创造出了一个能听懂人话的数据库助手。

它最大的价值在于打破了自然语言和机器语言之间的壁垒。当你脑子里闪过一个数据查询的念头时，不再需要费力地翻译成SQL语法，直接说出来就行。这对于快速探索数据、原型开发、或者处理一些临时性的数据需求来说，效率的提升是实实在在的。

当然，它现在还是一个“小助手”，处理特别复杂和专业的场景可能需要更精细的引导。但作为起点，它已经足够强大和实用。你可以基于这个基础，继续为它添加新功能，比如支持更多的数据库类型，或者设计一个更友好的图形界面。希望这个教程能为你打开一扇门，让你体验到AI赋能日常开发工作的乐趣。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。