《诗经》有言：七月流火，九月授衣，这句话常被用来描绘夏秋交替、天气由热转凉的季节变化。西安的雨季，自六月下旬悄然而至、连绵不绝，不由地令人感慨：古人诚不欺我。或许，七月注定是个多事之“秋”，前有萝卜快跑及其背后的无人驾驶引发热议，后有特朗普在宾夕法尼亚州竞选集会时遇刺，更遑论洞庭湖决口、西二环塌方。杨绛先生说，成长就是学会心平气和地去面对这世界的兵荒马乱，可真正的战争“俄乌冲突”至今已经持续800多天。有时候，我不免怀疑，历史可是被诅咒了的时间？两年前的此时此刻，日本前首相安倍晋三遇刺身亡，我专门写过一篇文章《杂感·七月寄望》 。现在，回想起两人长达19秒的史诗级握手画面，一时间居然有种“一笑泯恩仇”的错觉。因为，从某种意义上来说，他们似乎成为了共患难的“战友”。雍正之于万历，如同特朗普之于肯尼迪，虽时过境迁，而又似曾相识，大概世间万物总逃不出某种循环。最近一个月，从 RAG 到 Agent，再到微软 GraphRAG 的爆火，诸如 Graph、NER、知识图谱等知识点再次被激活。我突然觉得，我需要一篇文章来整理我当下的思绪。
实现 Agent 以后
参照复旦大学的 RAG 综述论文实现 Advance RAG 以后，我开始将目标转向 Agent。一般来说，一个 Agent 至少应该具备三种基本能力：规划(Planning)、记忆(Memory)以及工具使用(Tool Use)，即：Agent = LLM + Planning + Memory + Tool Use。如果说，使用工具是人类文明的起点，那么，Agent 则标志着大模型从 “说话” 进化到 “做事”。目前的 Agent 或者是说智能体，本质上都是将大模型视作数字大脑，通过反思、CoT、ReAct 等提示工程模拟人类思考过程，再通过任务规划、工具使用来扩展其能力的边界，使其能够感知和连接真实世界。从早期的 AutoGPT 到全球首个 AI 程序员智能体 Devin，人们对于 AI 的期望值，正肉眼可见地一路水涨船高。
目前，市场上主流新能源汽车的智驾系统都大多处于 L2 或 L3 级别，萝卜快跑则率迈进 L4 级别。尽管我可以理解这一发展趋势的必然性，可当我意识到碳基生命自身的偶然性，我想知道，那些可能导致成千上万的人失业的失业的科技创新，是否是显得过于残酷和冰冷？在2024年的上半年，我接触到了多种 Agent 产品，例如 FastGPT、Coze、Dify 等等。这些产品基本都是基于工作流编排的思路，这实际上是一种对大型模型不稳定输出和多轮对话调用成本的妥协。受到过往工作经历影响，我对于工作流和低代码非常反感。因此，我坚信大模型动态地规划和执行任务的能力才是未来。在实现 Agent 的过程中，我参考 Semantic Kernel 的一个 PR 实现了一个支持 ReAct 模式的 Planner，这证明了我从去年开始接触大型模型时的种种想法，到目前为止基本上都是正确的。
我主张采用小模型结合插件的方式，推进 AI 服务的本地化，因为一味地追求参数规模或上下文长度，只会陷入永无休止的百模大战。在技术和成本之间，你必须要找到一个平衡点。例如，最近大火的 GraphRAG，知识图谱结合大模型的理念虽好，但构建知识图谱的成本相对较高，运行一个简单示例的费用大约在5到10美元左右。在实现 Agent 的过程中，我发现，使用阿里的 Qwen2-7B 模型完全可以支持任务规划以及参数提取，唯一的问题是 Ollama 推理速度较慢，尤其是在纯 CPU 推理的情况下。此外，目前的 Agent 的反思功能大多依赖于多轮对话，其效果易受上下文长度的影响。即便使用 OpenAI、Moonshot 等厂商的服务，它们的 TPM/RPM 通常不会太高，导致公共 API 难以满足 Agent 的运行需求。如果增加接口调用间隔，无疑又会让屏幕前的用户失去耐心。因此，即便是在 token 价格越来越便宜的情况下，以任务为导向的 Agent，其 token 消耗量依然是一笔不小的开销。
在调试 Agent 的过程中，博主曾先后将 OpenAI 和 Moonshot 用至“欠费”，最终不得不转向更为经济的 DeepSeek。最近，有朋友同我抱怨，“召回精度是提升了，可生成答案时间同样变长了”。这个问题在 Agent 中同样存在，当大模型观察到当前结果差强人意时，会尝试使用不同的工具来解决问题，可往往是花费了时间和金钱，最后还是没能得到满意答案。归根到底，最关键的推理能力来自模型本身，提示词不过是锦上添花，你是可以持续地“反思”和“观察”，可如果面对的是完全未知的事物，这一切又有什么意义呢？以电商业务为例，其特点是数据链路长、牵涉多个微服务，这使得我无法同时满足强一致性和低延迟。这一道理同样适用于 Agent，不论是大模型动态规划的工作流，还是人工编排的工作流，如果你想要一个逻辑上闭环的流程，就要接受其可能耗费大量时间的现实。对于类似 RAG 这样的检索型的任务，你必须要检索精度和响应时间之间找到平衡点。
在为大模型接入了日期/时间、天气预报、新闻报道、搜索引擎、网络爬虫等工具以后，我突然感到一切索然无味，甚至有时会觉得，它不再像原来那样“开朗”，甚至变得不苟言笑起来。最终，它变成了一个合格的、帮助我连接真实世界的“工具人”。可大模型应该被这些词汇修饰吗？或许，这只是我的一厢情愿。因为从某种角度来看，这一切的元凶，在于我的外部知识“污染”了它的先验知识，无论我怎么努力，它并不会比市面上的 AI 助手强大多少。
Text2SQL 实践
OK，现在让我们讨论Text2SQL Text2SQL，这是将大型模型与关系型数据库连接起来的一种尝试。实现 Agent 后，你会发现 RAG 实际上是 Agent 中的一个工具，并且广义上的 RAG 并不仅仅局限于向量数据库，它还可以扩展到搜索引擎、知识图谱、第三方 API、各种数据源(网页/SQL/文档)以及聊天的上下文。这样，我们便会意识到，如果大模型可以从数据库中读取信息，它便掌握了世界上使用最广泛的数据源。在 RAG 应用中，文档中的图像、表格等可能不适合进行向量检索，而数据库中存储的结构化数据对大型模型更为友好。唯一的问题是，关系型数据库通常使用 SQL 来进行查询。因此，如果大模型能生成 SQL 语句，那么，从大模型到数据库的链路便被打通了。从生成式 AI 的角度来看，SQL 和 Python、C# 等编程语言类似，均属于代码生成的范畴，甚至可以说 SQL 更简单，因为 SQL中使用中关键字和指令更少。在这种背景下，Text2SQL 这种从自然语言转化为 SQL 的技术便应运而生。
接下来，我们来探究 Text2SQL 的具体实现步骤。目前，AI 应用落地的表里是，Agent 做面子，提示工程做里子。因此，一个直接的方法是将用户需求和数据库的 Schema 一并提交给大型模型，由模型来生成相应的 SQL 语句。对于那些热衷于模型微调和训练的“炼丹术士”，可以关注下 Hrida-T2SQL-3B-V0.1 这个专门为 Text2SQL 设计的小模型。对于像我这样的 NLP 民科，自然不会去挑战这种高难度任务。按照这个思路，第一步是获取数据库的 Schema，即：了解数据库里哪些表、每张表里都有哪些字段以及这些字段具体是什么类型。这些信息对于大型模型生成准确的 SQL 语句至关重要。这里以 MySQL 数据库为例进行说明：
SELECT t.TABLE_NAME,
t.TABLE_COMMENT,
c.COLUMN_NAME,
c.COLUMN_COMMENT,
c.DATA_TYPE,
c.IS_NULLABLE
FROM INFORMATION_SCHEMA.TABLES t
LEFT JOIN INFORMATION_SCHEMA.COLUMNS c
ON c.TABLE_NAME = t.TABLE_NAME
WHERE t.TABLE_SCHEMA = 'Chinook'
其中，Chinook 是数据库的名称，此时，我们就可以得到下面的结果：
接下来，我们只需按照第一列进行分组，便能获取每张表涵盖的字段。在此过程中，我同时提取了表和列的注释信息。因为在那些喜欢用拼音或是缩写命名的人面前，即使是大模型亦不免相形见绌。如果你的数据库表结构设计本就混乱不堪，不要说大模型，只怕是连神仙都难救。现在，让我们通过代码生成数据库的 Schema 信息：
// 获取表描述信息
private async Task<IEnumerable<TableDescriptor>> GetTableDescriptorsAsync(string databaseName)
{
var sqlText =
@"SELECT t.TABLE_NAME,
t.TABLE_COMMENT,
c.COLUMN_NAME,
c.COLUMN_COMMENT,
c.DATA_TYPE,
c.IS_NULLABLE
FROM INFORMATION_SCHEMA.TABLES t
LEFT JOIN INFORMATION_SCHEMA.COLUMNS c
ON c.TABLE_NAME = t.TABLE_NAME
WHERE t.TABLE_SCHEMA = '{0}'";
using var sqlClient = new SqlSugarClient(_connectionConfig);
var rows = await sqlClient.Ado.SqlQueryAsync<dynamic>(string.Format(sqlText, databaseName));
if (rows.Count == 0) return Enumerable.Empty<TableDescriptor>();
return rows.GroupBy(x => x.TABLE_NAME).Select(g =>
{
return new TableDescriptor()
{
Name = g.ToList()[0].TABLE_NAME,
Description = g.ToList()[0].TABLE_COMMENT,
Columns = AsColumnDescriptors(g.ToList())
};
}).ToList();
}
// 获取列描述信息
private IEnumerable<ColumnDescriptor> AsColumnDescriptors(List<dynamic> rows)
{
return rows.Select(x => new ColumnDescriptor()
{
Name = x.COLUMN_NAME,
DataType = x.DATA_TYPE,
Description = x.COLUMN_COMMENT,
IsNullable = x.IS_NULLABLE == "YES"
});
}
// 生成 Schema
private string GeneratorDatabaseSchema(IEnumerable<TableDescriptor> tableDescriptors)
{
var stringBuilder = new StringBuilder();
foreach (var tableDescriptor in tableDescriptors)
{
stringBuilder.AppendLine($"{tableDescriptor.Name}, {tableDescriptor.Description}");
foreach (var columnDescriptor in tableDescriptor.Columns)
{
stringBuilder.AppendLine($" - {columnDescriptor.Name}, {columnDescriptor.DataType}, {columnDescriptor.Description}");
}
stringBuilder.AppendLine();
}
return stringBuilder.ToString();
}
最终，通过 GenerateDatabaseSchema() 方法，我们可以得到下面这样的结果：
接下来，就非常简单啦，我们只需要将这份 Schema 作为参数传入提示词模板即可，这份提示词可以在 这里 找到：
[KernelFunction]
[Description("根据用户的输入生成和执行 SQL 并返回 Markdown 形式的表格数据")]
public async Task<string> QueryAsync([Description("用户输入")] string input, Kernel kernel)
{
var tableDescriptor = await GetTableDescriptorsAsync("Chinook");
var databaseSchema = GeneratorDatabaseSchema(tableDescriptor);
var promptTemplate = _promptTemplateService.LoadTemplate("Text2SQL.txt");
promptTemplate.AddVariable("input", input);
promptTemplate.AddVariable("schema", databaseSchema);
var functionResult = await promptTemplate.InvokeAsync(kernel);
var generatedSQL = functionResult.GetValue<string>().Replace("```sql", "").Replace("```", "");
_logger.LogInformation("Generated SQL: {0}", generatedSQL);
var queryResult = await ExecuteSQLAsync(generatedSQL);
return queryResult;
}
当我们拥有可以 “思考” 的 Agent 以后，可以非常容易地为其扩展出 Text2SQL 能力。如下图所示，当用户给定一个查询时，首先是通过大模型生成 SQL 语句，其次是执行 SQL 语句返回结果，最后是大模型观察结果生成最终答案：
当然，这种方案本质上依赖于模型的推理能力。对于常规查询，大模型通常可以做到游刃有余。然而，对于复杂的查询，如子查询、窗口函数、LeetCode 等，大模型往往开始显得力不从心，经常出现下面这几类问题：
- 生成的 SQL 有语法错误
- 使用了未定义的函数/变量
- 查询结果重复
我个人认为，总体而言，Text2SQL 技术虽有不足，但谓瑕不掩瑜，它让大模型有了连接关系型数据库的可能。当人工智能成为一种通用能力和基础设置，它便不应该再成为普通人使用和学习的门槛。从这个角度出发，我们应该让世间万物都和大模型连接在一起，未来它应该会变成得像水、电、天然气一样不可或缺，大家觉得呢？
对效率的反思
作为程序员，或者说是技术人员，我们总是天然地追求着效率的最大化，甚至我们做过的每一个信息化的项目，都在加速着信息在互联网中的流动。可遗憾的是，我们是否掉进了由技术编织而成的名为“效率提升”的陷阱呢？正如我们有各种各样的聊天软件，可我们不见得就知道坐在你对面的那个人此刻在想些什么，甚至于我们在群组中被 @ 的时候，我们不见得有耐心读完、读懂全部信息，但我们还是要礼节性的打上一个:white_check_mark:。如今，无论天涯还是咫尺，都可以顺着网线来到你面前，这是“效率提升”这场运动带来的便利。可与此同时，在微博、小红书、抖音等社交媒体的影响下，这个世界亦开始变得不再那么真实。在一个程序员心目中，技术是没有立场、绝对正义的，可如果连正义都只是相对的，那么修饰正义的“绝对”就变得讽刺起来。于是，我们看到，在算法的驱使下，每个人被关进信息茧房，从此只能看到自己想看到的；于是，我们看到，在算法的算计下，外卖员的时间不断压缩，从此只能靠违章来争分夺秒；于是，我们看到，在敏捷的理论下，开发的周期越来越短，从此只能靠加班来卷赢同行……
我当然相信新的技术能带来新的机遇，但我们真正应该追求的效率，是那种可以让大多数人感到幸福的效率。百度发展 L4 级别无人驾驶，这件事情当然是正确的，甚至是非做不可的事情。可至少在当下这个时刻，提升效率并不是唯一正确的事情，就像生成式 AI 可以快速生成文本、图片甚至是视频，但这件事情并没有让我们从繁重的事务性工作中解脱出来，反而造成了人类世界的内卷，并且这种内卷完全没有赢的可能。以最新的 Claude 3.5 Sonnet 模型为例，它在某些情况下甚至可以媲美高级研究人员。这种效率提升对于普通智力水平的职场人来说，无异于降维打击。在当下这样一个充满危机感的职场环境下，像萝卜快跑这样的效率提升，除了断送掉“铁人三项”以外，我认为它并不会让更多的人感到幸福。一句话简单总结，事情是对的，但不合时宜。在职场中有一种潜规则，即：在工作中为员工设置各种障碍，从而使得每一个人都有事可做，这可以认为是职场中的不宣之秘。技术当然没有立场，有立场的从来都是人，如果一部分人坚持要提升效率、破旧立新，那只能说明在某个地方真的是有利可图。
本文小结
我有一个不太好的习惯：当感觉心中的想法不足以填满一篇博客时，我总想释放出脑中的所有念头，并试图将它们全部塞进同一篇文章中。这样做的后果是，我写出的文章题目与文章内容间只有松散的联系。如果你读到这里，依旧感到困惑，请允许我在此表达歉意。可能是因为我每天都在接触大量碎片化信息，难以在短时间内整理出清晰的知识体系。特别是在我实现 StepwisePlanner 这段时间，我突然觉得 LLM Agent 索然无味。尽管，我每天都能在微信群里看到大量 AI 资讯，整个行业看起来一派繁荣，但现实中频频传来的失业潮、AI行业无的放矢的普遍现象，再加上西安持续下了半个多月的雨，绵绵不绝，让我深切感受到现实与理想之间的鸿沟。因此，当我开始写这篇博客时，我想表达的远不止 Text2SQL 这样简单，可一时间我只能找到这样一个话题；正如我想做的是 Agent，可是目前我只能做到这种程度。当我向同事演示 Text2SQL 时，他安慰我说：“这不是你能力问题，现在模型就这样”。我开始有些分辨不出这句话的真假，人类是如此地渴望情绪价值，可如果 AI 满足了你所有的情绪需求，你真的会感到满足吗？人类明明拥有足够的上下文信息来推导出答案，但人们不见得就会主动说出来，不是吗？
