讓 AI 更懂資料庫：從 Text-to-SQL 到 Function Calling

QUERYING DATABASES WITH FUNCTION CALLING 閱讀心得

（上圖出自於原始論文： [2502.00032] Querying Databases with Function Calling）

你是否曾幻想過，能用日常對話的方式與資料庫溝通，而不必面對那些讓人頭痛的 JOIN 與 GROUP BY？現實中，資料庫結構千變萬化，SQL 的各種方言更讓不熟悉的人望而卻步。然而，最近一份名為「Querying Databases with Function Calling」的報告，提出了一個突破性的構想：為什麼不在大型語言模型（LLM）與資料庫之間加上一層高階且可客製化的函數介面，讓使用者只要以 JSON 格式傳入查詢條件，便能輕鬆取得想要的資料？

從以往依賴 Text-to-SQL 直接將自然語言轉換成 SQL 指令，到如今將複雜 SQL 隱藏在後台，只暴露一個充滿彈性的「查資料」函數，這個新方法就像是 LLM 版的 Stored Procedure。過去，我們在資料庫中封裝 Stored Procedure，以簡化重複性的查詢操作；現在則是預先定義好查詢所需的變數，例如集合名稱、數值篩選方式、文字條件等。使用者無需了解每個 SQL 細節，只要填入對應的 JSON 參數，即能讓後台組合出正確的指令。這種設計不僅令模型學習負擔大幅降低，同時在資料庫結構更新時，只需調整介面定義，而無需讓 LLM 完全「重新學習」新語法。

（上圖出自於原始論文： [2502.00032] Querying Databases with Function Calling）

舉個實際的例子來說明這個概念：想像你在經營一個美食比價網站，需查詢價格低於 20 美元且提供素食選項的菜色。傳統的做法可能要寫出如下的 SQL 指令：

SELECT COUNT(*) FROM Menus WHERE price < 20 AND category = 'Vegan';

這樣做一來，不僅要確保語法正確、欄位名稱無誤，同時還要應對不同資料庫可能出現的語法限制。但借助函數調用的方法，你只需預先定義好查詢函數，並以 JSON 格式描述查詢需求，如下：

{
  "collection_name": "Menus",
  "integer_property_filter": { "property_name": "price", "operator": "<", "value": 20 },
  "text_property_filter": { "property_name": "category", "operator": "=", "value": "Vegan" }
}

後端便可以根據這份簡單明瞭的參數，轉換成適合當前資料庫語法的查詢指令。這樣不僅讓 LLM 不必具備全部 SQL 知識，也大大降低因資料庫方言差異所導致錯誤的可能性。

當然，這套方法在帶來便利性的同時，也面臨某些挑戰，譬如文本篩選的問題。對於數值或布林值的條件篩選較容易處理，但若遇上需要「部分匹配」或「全文檢索」的文本條件，如搜尋含有 “Vegan-friendly” 這類字串時，模型就必須先分辨該欄位是結構化還是非結構化的。否則，可能將「Vegan-friendly」視作必須完全匹配的字串，從而漏掉實際符合查詢意圖的資料。為了提高查詢準確率，報告中也提出了幾個具體建議：在 API 或 Prompt 中強調 Schema 感知、設計自動切換匹配模式（從精確匹配到 LIKE 或進一步的全文搜索），以及利用查詢後的反饋機制提醒使用者調整查詢方式。

編按：

下方 分層式查詢 部分，其實是當初使用 ChatGPT 來做深入理解時，ChatGPT 給予的建議，非原論文所提，不過由於這篇閱讀心得同時也在實驗 & 展示目前的語言模型可以協助撰寫的程度，所以不特別做人工修改 & 編輯。故此小瑕疵請見諒。

此外，若想進一步提升效能與彈性，報告還提到了「分層式查詢」的概念。這種模式先從快取或預先計算的結果中快速獲取資料（第一層），若無法滿足，再使用標準查詢（第二層），隨後再進行更高級的參數組合（第三層），最後甚至可以利用 LLM 引導使用者追加條件，實現探索式查詢（第四層）。這一層層遞進的設計，不僅最大限度利用了現有資源，也讓使用者在面對複雜查詢時有更多彈性選擇。

從最初的 Text-to-SQL，到如今借助函數調用的全新查詢模式，我們正見證著 AI 與資料庫互動方式的革命。隨著更多統一的 Query Language 標準與 Schema 感知機制的建立，也許不久的將來，我們能夠推出一個被稱為「AI Query Language (AIQL)」的通用標準，讓每個人都能以最自然、直覺的方式向資料庫發出查詢請求。當資料庫的繁雜細節被統一封裝於這層友善的介面下，使用者只需提出需求，LLM 便可自動組裝、呼叫對應的函數，真正讓資料搜尋變成一件輕鬆又充滿樂趣的事情。

總之，這篇閱讀心得不僅為我們揭示了 Text-to-SQL 的局限，更以生動實際的案例展示了 Function Calling 的優勢與潛力。或許在不遠的未來，這套以函數調用為核心的新模式將引領資料庫查詢方式的革新，讓技術和使用體驗雙雙邁向更高的層次。