一、项目概述

本项目是基于openEuler、MySQL8.0、Python3.11与腾讯云TokenHub大模型平台开发的电商订单智能SQL工具，支持命令行终端、Streamlit网页双交互入口，核心实现自然语言自动生成合规MySQL查询、SQL执行计划解析与性能调优两大核心能力，融合数据库运维与大模型NL2SQL技术，适用于数据查询、SQL性能优化轻量化场景。

二、需求分析

（一）功能性需求

1. NL2SQL转换：仅生成SELECT语句，拦截增删改、建删表等危险DDL/DML，严格限定表与字段，输出标准化SQL；
2. 数据查询：执行生成SQL，表格化展示结果，自动生成业务分析总结；
3. SQL性能调优：获取执行计划，AI识别全表扫描、文件排序等瓶颈，提供可直接执行的索引、优化SQL；
4. 双端交互：命令行菜单交互、Streamlit可视化Web页面；
5. 配置解耦：使用.env文件独立存储数据库、大模型密钥，避免硬编码；
6. 异常容错：数据库、API、SQL语法异常捕获，程序不崩溃。

(二）非功能性需求

1. 兼容性：适配openEuler/RHEL系统、MySQL8.0.45，兼容DeepSeek、Qwen系列大模型；
2. 稳定性：空白输入、无匹配数据、超长需求等边界场景正常响应；
3. 安全性：仅开放只读查询，密钥文件权限设为600，不打印账号密钥明文。

（三）软硬件环境

1. 硬件：虚拟机，CPU≥2核、内存≥4GB、磁盘≥20GB；
2. 系统软件：openEuler2203、MySQL8.0.45、Python3.11.9；依赖pymysql、python-dotenv、langchain-openai、streamlit、tabulate等；
3. 网络：服务器外网可访问大模型API（443端口放行）；
4. 账号：腾讯云TokenHub实名认证账号，申请API Key用于模型调用。

三、技术架构分层

整体分为四层，分层解耦、代码复用：

1. 接入交互层
- 终端入口： main.py 交互式菜单；
- Web可视化入口： web_main.py （Streamlit），复用底层业务逻辑，提供输入校验、表格渲染、代码复制功能。
2. Python程序核心层
- main.py ：总调度，封装NL2SQL、SQL调优通用逻辑，命令行核心；
- mysql_client.py ：数据访问层，统一封装MySQL连接、查询、执行计划获取、SQL安全拦截；
- prompts.py ：提示词工程层，统一管理NL2SQL、SQL调优Prompt，内置SQL提取清洗工具；
- .env ：配置文件，存放数据库地址、账号、大模型API密钥、模型参数；
3. 底层数据持久层
openEuler虚拟机部署MySQL8.0.45，创建 testdb.order_info 电商订单表，预置20条测试订单数据；
4. AI大模型服务层
腾讯云TokenHub聚合平台，兼容OpenAI接口标准，可切换DeepSeek V4 Pro、Qwen3.5-Plus模型，统一鉴权调用。

五、项目实施的步骤说明

1.搭建环境以及所需软件依赖

[root@localhost ~]# sed -i '7s/enforcing/disabled/' /etc/selinux/config [root@localhost ~]# systemctl disable --now firewalld [root@localhost ~]# systemctl status firewalld

[root@localhost ~]# dnf install -y gcc gcc-c++ make cmake zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel libffi-devel tk-devel wget tar vim tree net-tools openssh-server

2.源码编译安装Python3.11.9

下载： https://www.python.org/downloads/release/python-3119/

3.配置国内 pip 源和项目依赖

root@server Python-3.11.9]cd [root@server ~]mkdir .pip [root@server ~]vim ~/.pip/pip.conf

4.数据库部署

[root@server /]tar -xvf mysql-8.0.45-linux-glibc2.28-x86_64.tar.xz [root@server /]cd mysql-8.0.45-linux-glibc2.28-x86_64 [root@server mysql-8.0.45-linux-glibc2.28-x86_64]# ls bin docs include lib LICENSE man README share support-files [root@server mysql-8.0.45-linux-glibc2.28-x86_64] cd / [root@server /]# mv mysql-8.0.45-linux-glibc2.28-x86_64 /usr/local/mysql [root@server /]# cd /usr/local/mysql [root@server mysql]# groupadd mysql [root@server mysql]# useradd -r -g mysql -s /sbin/nologin mysql [root@server mysql]# mkdir data [root@server mysql]# chmod -R 750 data [root@server mysql]# chown -R mysql:mysql /usr/local/mysql [root@server mysql]# bin/mysqld --initialize --user=mysql --basedir=/usr/local/mysql -- datadir=/usr/local/mysql/data [root@server mysql]# bin/mysqld_safe --user=mysql & [root@server ~]# ps -ef | grep mysql

5.API Key---------访问腾讯云官网，手机号注册并完成实名认证

脚本开发详情：

注意：本次

项目选择的大模型为deepseek-v4-pro 202606

数据库连接脚本：/opt/mysql_ai_tools/mysql_client.py：

import pymysql import os import re from dotenv import load_dotenv # 加载项目根目录下.env文件的数据库配置 load_dotenv() class Mysql80Client: # 数据库操作封装类，所有数据库相关操作统一在此管理 def __init__(self): # 初始化时读取环境变量，参数缺失则设置兜底默认值，防止程序直接崩溃 self.host = os.getenv("MYSQL_HOST", "127.0.0.1") self.port = int(os.getenv("MYSQL_PORT", "3306")) self.user = os.getenv("MYSQL_USER", "root") self.password = os.getenv("MYSQL_PASSWORD", "") self.database = os.getenv("MYSQL_DB", "testdb") # 数据库连接对象，初始为空 self.conn = None # 实例创建后自动建立数据库连接 self.connect() def connect(self): """创建数据库连接，捕获连接异常并抛出可读错误信息""" try: self.conn = pymysql.connect( host=self.host, port=self.port, user=self.user, password=self.password, database=self.database, charset='utf8mb4', # 支持中文、emoji完整字符集 cursorclass=pymysql.cursors.DictCursor # 查询结果以字典返回，方便按字段取值 ) except pymysql.MySQLError as e: # MySQL专属连接错误，提示账号、地址、密码排查方向 raise Exception(f"数据库连接失败，请检查地址/账号/密码：{e.args[1]}") except Exception as e: # 其余未知连接异常统一捕获 raise Exception(f"数据库连接异常：{str(e)}") @staticmethod def _check_sql_safety(sql: str) -> None: """ 静态私有安全校验方法 核心防护：拦截增删改、建表删表等危险操作，仅允许SELECT查询，防止AI生成危险SQL篡改数据 """ # 去除首尾空格并转为大写，统一匹配规则 sql_trim = sql.strip().upper() # 危险操作关键字黑名单 danger_keywords = ["INSERT", "UPDATE", "DELETE", "DROP", "ALTER", "CREATE", "TRUNCATE", "REPLACE"] for kw in danger_keywords: # 单词边界匹配，避免字段名包含关键字时误拦截 if re.search(r'\b' + re.escape(kw) + r'\b', sql_trim): raise Exception(f"安全拦截：禁止执行 {kw} 类型语句，仅支持 SELECT 查询") def execute_query(self, sql: str): """ 执行普通SELECT查询 :param sql: 待执行查询语句 :return: (字段名列表, 全部数据行字典列表) """ # 执行SQL前先做安全校验，拦截危险语句 self._check_sql_safety(sql) try: # with自动管理游标，用完自动释放资源 with self.conn.cursor() as cursor: cursor.execute(sql) # 提取查询结果表头字段 columns = [desc[0] for desc in cursor.description] # 读取全部查询数据 rows = cursor.fetchall() return columns, rows except pymysql.MySQLError as e: # 捕获SQL语法、表不存在等数据库执行错误 raise Exception(f"SQL执行失败（错误码 {e.args[0]}）：{e.args[1]}") except Exception as e: # 通用查询异常兜底 raise Exception(f"查询异常：{str(e)}") def get_explain_plan(self, sql: str): """ 获取SQL执行计划EXPLAIN，用于性能调优分析 :param sql: 待分析SELECT语句 :return: (执行计划表头, 执行计划详情数据) """ # 同样先校验SQL安全性 self._check_sql_safety(sql) # 拼接EXPLAIN关键字，生成分析语句 explain_sql = f"EXPLAIN {sql}" try: with self.conn.cursor() as cursor: cursor.execute(explain_sql) columns = [desc[0] for desc in cursor.description] rows = cursor.fetchall() return columns, rows except pymysql.MySQLError as e: raise Exception(f"获取执行计划失败：{e.args[1]}") except Exception as e: raise Exception(f"执行计划异常：{str(e)}") def close(self): """安全关闭数据库连接，释放资源，避免长时间占用连接池""" # 判断连接存在且未关闭才执行关闭操作 if self.conn and not self.conn._closed: self.conn.close()

sql转换脚本：/opt/mysql_ai_tools/prompts.py：

import re class UnifiedPrompt: """ 提示词统一管理类 优势：所有SQL生成、性能分析提示词集中存放，表结构仅维护一处，修改不用多处同步； 通过严格规则约束大模型输出，减少格式错乱、编造字段、危险SQL等幻觉问题 """ # ===================== 全局共用数据表结构 ===================== # 只在此维护订单表字段，下方两套提示词会自动引用，改表结构只需改这里一处 TABLE_SCHEMA = """ 表名: order_info (订单信息表) 字段说明: - id: 订单ID (主键，INT类型) - user_id: 用户ID (INT类型) - order_name: 商品名称 (VARCHAR类型) - pay_amount: 支付金额 (DECIMAL类型) - create_time: 下单时间 (DATETIME类型) """ NL_TO_SQL_PROMPT = f""" 你是严谨的 MySQL 8.0 数据库开发工程师。 【任务目标】 根据用户自然语言描述的业务需求，生成可直接执行、无语法错误的MySQL查询SQL。 【表结构参考】 {TABLE_SCHEMA} 【强制输出规则】 1. 只能生成 SELECT 查询语句，绝对不允许生成 INSERT/UPDATE/DELETE/DROP 等修改、删除数据的语句。 2. 只能使用上面列出的5个字段，禁止自己编造不存在的字段名。 3. 查询字段可使用中文别名，格式固定为：字段 AS 别名。 4 SQL语法遵循MySQL8.0标准，所有关键字统一大写，方便程序解析。 5. 最终SQL必须包裹在 ```sql ``` Markdown代码块内，方便代码提取。 6. 禁止输出任何解释、说明文字，只返回纯SQL代码块，减少解析干扰。 7. 中文别名内部不能带空格，例：订单ID（正确）、订单 ID（错误），避免数据库语法报错。 【用户需求】 {{user_input}} """ SQL_TUNE_PROMPT = f""" 你是资深 MySQL DBA 性能优化专家。 【任务目标】 根据原始SQL + EXPLAIN执行计划数据，定位查询性能问题并给出可直接落地的优化方案。 【表结构参考】 {TABLE_SCHEMA} 【待分析SQL】 {{sql_input}} 【执行计划数据】 {{explain_data}} 【输出要求】 1. 先点明核心性能问题：全表扫描、无索引、索引失效、扫描行数过多等。 2. 给出完整建索引SQL语句，可直接复制执行。 3. 若原SQL写法存在缺陷，提供改写后的完整优化SQL。 4. 内容简洁、分点罗列，不输出多余废话，便于用户快速阅读。""" @staticmethod def extract_sql(response_text: str) -> str: """ 静态工具方法：从大模型返回的完整文本里剥离出纯净SQL语句 三层匹配优先级，兼容不同大模型的输出格式，提升提取成功率 :param response_text: 大模型原始完整返回内容 :return: 清洗后的纯SQL字符串，提取失败返回空字符串 """ # 空文本直接返回 if not response_text: return "" # 优先级1：匹配最标准markdown sql代码块（项目提示词强制要求的格式） match = re.search(r"```sql\s*(.*?)\s*```", response_text, re.DOTALL | re.IGNORECASE) if match: return match.group(1).strip() # 优先级2：兼容自定义<sql>标签格式（备用兼容方案） match = re.search(r"<sql>\s*(.*?)\s*</sql>", response_text, re.DOTALL | re.IGNORECASE) if match: return match.group(1).strip() # 优先级3：兜底匹配，直接抓取以SELECT开头、分号结尾的SQL片段 match = re.search(r"(SELECT\s+.*?;)", response_text, re.DOTALL | re.IGNORECASE) if match: return match.group(1).strip() # 三层规则全部匹配不到，说明无有效SQL，返回空 return "" # 全局单例实例，外部文件导入后直接调用 prompt_helper.方法名，无需重复实例化 prompt_helper = UnifiedPrompt()

程序入口脚本：/opt/mysql_ai_tools/main.py：

import os import re import logging from dotenv import load_dotenv # 兼容OpenAI标准大模型接口（适配腾讯云TokenHub） from langchain_openai import ChatOpenAI # 导入数据库操作封装类 from mysql_client import Mysql80Client # 表格格式化打印工具，美化终端输出查询结果 from tabulate import tabulate # 导入提示词管理类与全局实例 from prompts import UnifiedPrompt, prompt_helper # 加载.env文件里所有数据库、大模型配置 load_dotenv() # 全局日志配置，替代print，记录运行时间、日志级别、报错信息，方便排障 logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s") logger = logging.getLogger(__name__) def check_config() -> None: """ 程序启动前置配置校验函数 作用：提前检测.env必填参数是否存在，避免运行中途缺参数崩溃 """ # 大模型必填参数列表 required_llm = ["LLM_API_KEY", "LLM_BASE_URL", "LLM_MODEL_NAME"] missing = [k for k in required_llm if not os.getenv(k)] if missing: raise ValueError(f"配置缺失：请在 .env 文件中填写 {', '.join(missing)}") # 数据库必填参数列表 required_db = ["MYSQL_HOST", "MYSQL_USER", "MYSQL_DB"] missing_db = [k for k in required_db if not os.getenv(k)] if missing_db: raise ValueError(f"数据库配置缺失：请检查 {', '.join(missing_db)}") def get_llm() -> ChatOpenAI: """ 初始化大模型客户端 适配腾讯云TokenHub等全部兼容OpenAI接口规范的MaaS平台 返回：可直接调用的大模型实例 """ # 从环境变量读取大模型连接信息 api_key = os.getenv("LLM_API_KEY") base_url = os.getenv("LLM_BASE_URL") model_name = os.getenv("LLM_MODEL_NAME") # 温度不存在则默认0.1，数值越低输出越严谨稳定 temperature = float(os.getenv("LLM_TEMPERATURE", 0.1)) return ChatOpenAI( api_key=api_key, base_url=base_url, model=model_name, temperature=temperature ) def clean_sql_spacing(sql: str) -> str: """ SQL标准化清洗工具函数（兜底修复各大模型输出格式） 解决：中文空格别名、中文标点、特殊空白、关键字连写等语法报错问题 入参：大模型原始SQL字符串 返回：清洗后可直接执行的标准英文SQL """ if not sql: return "" special_spaces = [ '\xa0', '\u200b', '\u200c', '\u200d', '\u200e', '\u200f', '\u3000', '\t', '\n', '\r' ] for sp in special_spaces: sql = sql.replace(sp, ' ') sql = re.sub(r'[\x00-\x1f\x7f]', '', sql) sql = sql.replace('，', ',').replace('；', ';').replace('（', '(').replace('）', ')') sql = re.sub(r'\s+', ' ', sql).strip() def _clean_alias_space(match): prefix = match.group(1) # 捕获AS关键字 alias = match.group(2) # 捕获后面全部别名文本 alias_clean = re.sub(r'\s+', '', alias) return f"{prefix} {alias_clean}" sql = re.sub( r'\b(AS)\s+(.+?)(?=\s*,\s*|\s+FROM\b|\s+WHERE\b|\s+ORDER\b|\s+GROUP\b|\s+LIMIT\b|\s*;)', _clean_alias_space, sql, flags=re.IGNORECASE ) keywords_upper = [ "SELECT", "FROM", "WHERE", "ORDER BY", "GROUP BY", "AND", "OR", "LIMIT", "DESC", "ASC", "AS", "INNER JOIN", "LEFT JOIN", "RIGHT JOIN", "ON", "INSERT INTO", "UPDATE", "SET", "DELETE FROM", "VALUES", "LIKE", "IN", "BETWEEN", "IS NULL", "COUNT", "SUM", "AVG", "MAX", "MIN", "OVER" ] for kw in keywords_upper: pattern = r'([a-z_])(' + re.escape(kw) + r')' sql = re.sub(pattern, r'\1 \2', sql) pattern_cn = r'([\u4e00-\u9fa5])(' + re.escape(kw) + r')' sql = re.sub(pattern_cn, r'\1 \2', sql) keywords_lower = [kw.lower() for kw in keywords_upper] for kw in keywords_lower: sql = re.sub( r'\b' + re.escape(kw) + r'\b', kw.upper(), sql, flags=re.IGNORECASE ) sql = re.sub(r'\s+', ' ', sql).strip() return sql def nl2sql_query(user_input: str) -> dict: """ 核心业务1：自然语言转SQL、执行查询、AI生成业务总结 对外统一标准返回字典，终端/网页程序均可直接调用，无重复代码 入参：用户自然语言查询需求 返回：包含执行状态、SQL、字段、数据、AI总结、模型原始输出 """ # 初始化大模型、数据库客户端 llm = get_llm() db = Mysql80Client() try: logger.info("正在生成SQL语句...") # 1. 加载NL2SQL提示词，填充用户需求传给大模型 prompt = UnifiedPrompt.NL_TO_SQL_PROMPT.format(user_input=user_input) response = llm.invoke(prompt) raw_content = response.content.strip() # 2. 从模型返回文本提取纯净SQL，提取失败直接抛异常 extracted_sql = prompt_helper.extract_sql(raw_content) if not extracted_sql: raise Exception("大模型未返回有效SQL，请重新描述需求") # 3. 清洗SQL修复各类格式问题 clean_sql = clean_sql_spacing(extracted_sql) logger.info(f"生成SQL：{clean_sql}") # 4. 数据库执行查询，拿到表头与数据 columns, rows = db.execute_query(clean_sql) # 5. 如果有数据，调用大模型生成业务解读总结 summary = "" if rows: logger.info("正在生成数据总结...") summary_prompt = f""" 以下是真实的SQL查询结果，请作为电商数据分析师给出简练的业务总结。 SQL语句：{clean_sql} 查询数据：{str(rows)} 重点说明数据反映的业务含义，如有异常值请指出。 """ summary_resp = llm.invoke(summary_prompt) summary = summary_resp.content.strip() return { "success": True, "sql": clean_sql, "columns": columns, "rows": rows, "summary": summary, "raw_llm": raw_content } except Exception as e: logger.error(f"查询处理失败：{str(e)}") return { "success": False, "error": str(e), "raw_llm": raw_content if 'raw_content' in dir() else "" } finally: db.close() def sql_tune_analyze(raw_sql: str) -> dict: """ 核心业务2：SQL性能调优分析 流程：清洗SQL → 获取EXPLAIN执行计划 → AI分析给出优化方案 入参：用户输入待优化SQL 返回：执行状态、清洗后SQL、执行计划字段/内容、调优建议 """ llm = get_llm() db = Mysql80Client() try: # 先标准化清洗SQL clean_sql = clean_sql_spacing(raw_sql) logger.info("正在获取执行计划...") # 调用数据库封装方法获取EXPLAIN执行计划 columns, plan_rows = db.get_explain_plan(clean_sql) # 填充调优提示词，传入SQL和执行计划让AI分析瓶颈 logger.info("正在分析性能瓶颈...") prompt = UnifiedPrompt.SQL_TUNE_PROMPT.format( sql_input=clean_sql, explain_data=str(plan_rows) ) response = llm.invoke(prompt) return { "success": True, "sql": clean_sql, "plan_columns": columns, "plan_rows": plan_rows, "suggestion": response.content.strip() } except Exception as e: logger.error(f"调优分析失败：{str(e)}") return { "success": False, "error": str(e) } finally: db.close() def main_cli(): """ 终端交互入口主函数 提供循环菜单，支持用户选择查询/调优/退出，纯终端操作 """ # 程序启动先校验全部配置，失败直接退出菜单 try: check_config() except ValueError as e: print(f"❌ {e}") return # 循环交互，不退出可持续多次使用 while True: print("\n=============== InnoAI SQL 助手 ===============") print("1. 自然语言生成SQL，自动查询并AI总结数据") print("2. 输入SQL语句，AI分析执行计划并给出调优方案") print("0. 退出程序") choice = input("请输入功能序号: ").strip() if choice == '1': query = input("请输入你的数据查询需求: ").strip() if not query: print("⚠️ 请输入有效需求") continue result = nl2sql_query(query) if not result["success"]: print(f"\n❌ 处理失败：{result['error']}") if result.get("raw_llm"): print(f"大模型原始回复：\n{result['raw_llm']}") continue print(f"\n✅ 生成SQL：") print(result["sql"]) if result["rows"]: print(f"\n📊 查询结果（共 {len(result['rows'])} 条）：") print(tabulate(result["rows"], headers="keys", tablefmt="pretty")) if result["summary"]: print(f"\n💡 业务总结：\n{result['summary']}") else: print("\n⚠️ 未查询到匹配数据") elif choice == '2': sql_input = input("\n请输入需要分析的 SQL 语句: ").strip() if not sql_input: print("⚠️ 请输入有效SQL") continue result = sql_tune_analyze(sql_input) if not result["success"]: print(f"\n❌ 分析失败：{result['error']}") continue print(f"\n📊 执行计划详情：") print(tabulate(result["plan_rows"], headers="keys", tablefmt="pretty")) print(f"\n📈 调优建议：\n{result['suggestion']}") # 0 退出循环，结束程序 elif choice == '0': print("程序已安全退出。") break # 无效数字输入提示 else: print("无效输入，请重试。") print("\n" + "-" * 40) if __name__ == "__main__": main_cli()

六、web可视化

1.安装python3.11.9安装依赖

2.创建 Streamlit 可视化入口 web_main.py

import streamlit as st import os import re # 从核心主程序导入通用业务函数、配置校验方法 from main import check_config, nl2sql_query, sql_tune_analyze # 全局页面基础配置：页面标题、页面宽度铺满屏幕 st.set_page_config(page_title="InnoAI SQL 助手", layout="wide") # ====================== 全局CSS样式定制：优化字体、间距、按钮、代码块、表格展示 ====================== # 使用markdown注入前端样式，统一页面视觉效果，方便演示观看 st.markdown(""" <style> /* 全局文字基础样式：统一字体、字号、行间距，适配Windows/Mac中文显示 */ html, body, [class*="css"] { font-size: 15px; line-height: 1.6; font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", "PingFang SC", "Microsoft YaHei", sans-serif; } /* 页面主体容器：左右留白收窄，太宽的数据表格阅读疲劳 */ .block-container { padding-top: 2.5rem; padding-bottom: 3rem; max-width: 1100px; margin: 0 auto; } /* 各级标题字号、粗细、边距统一优化 */ h1 { font-size: 2rem !important; font-weight: 600; margin-bottom: 1.8rem; letter-spacing: 0.5px; } h2, h3 { font-weight: 600; margin-top: 1.5rem; margin-bottom: 1rem; } h3 { font-size: 1.25rem !important; } /* 文本输入框标签样式美化 */ .stTextArea label p { font-size: 15px; font-weight: 500; color: #1f2937; margin-bottom: 0.5rem; } /* 输入框内部样式：字号、圆角、内边距 */ textarea { font-size: 15px !important; line-height: 1.6 !important; border-radius: 8px !important; padding: 12px 14px !important; } /* 全局操作按钮统一尺寸、圆角、内边距，视觉统一 */ .stButton > button { font-size: 15px !important; font-weight: 500; padding: 0.65rem 2.2rem !important; border-radius: 8px !important; min-width: 160px; } /* 左侧侧边栏样式调整 */ section[data-testid="stSidebar"] { font-size: 14.5px; } /* 侧边大标题禁止自动换行 */ section[data-testid="stSidebar"] h1 { font-size: 1.5rem !important; white-space: nowrap; margin-bottom: 1.2rem; } /* 侧边单选按钮间距放大 */ section[data-testid="stSidebar"] .stRadio > div { gap: 0.8rem; } /* 提示警告框字号统一 */ .stAlert { font-size: 14.5px; border-radius: 8px !important; } /* ========== 重点修复：代码块复制按钮失效问题 ========== */ .stCodeBlock { position: relative !important; border-radius: 8px !important; } /* 强制显示复制按钮，提高层级防止被遮挡 */ .stCodeBlock button { opacity: 1 !important; visibility: visible !important; pointer-events: auto !important; z-index: 999 !important; width: 36px; height: 36px; top: 10px; right: 10px; border-radius: 6px; background: #f3f4f6 !important; color: #374151 !important; border: 1px solid #e5e7eb !important; } /* 按钮悬浮变色提升交互感 */ .stCodeBlock button:hover { background: #e5e7eb !important; } /* SQL代码等宽字体优化，提升代码可读性 */ .stCodeBlock code, .stCodeBlock pre { font-size: 14.5px !important; line-height: 1.7 !important; font-family: "JetBrains Mono", Consolas, Monaco, monospace; } /* 数据表格单元格内边距放大，避免文字拥挤 */ .stDataFrame { font-size: 14.5px; border-radius: 8px; overflow: hidden; } .stDataFrame [data-testid="table"] td { padding: 10px 12px; } </style> """, unsafe_allow_html=True) # 全局一次性配置校验，会话缓存避免重复校验 # st.session_state：streamlit会话全局存储，页面刷新前一直生效 if "config_checked" not in st.session_state: try: # 调用main.py的配置校验函数，检测.env文件必填参数 check_config() # 标记已校验，下次页面刷新不再重复执行 st.session_state.config_checked = True except ValueError as e: # 配置缺失直接弹窗报错，终止页面加载 st.error(f"配置错误：{e}") st.stop() # ========== 左侧侧边栏区域：系统标题、当前模型展示、页面切换导航 ========== with st.sidebar: st.title("🚀 InnoAI SQL 助手") # 读取环境变量，展示当前正在使用的大模型名称 st.info(f"当前模型：{os.getenv('LLM_MODEL_NAME', '未知')}") # 单选框切换两大功能页面 page = st.radio("功能导航", ["🔍 数据查询与总结", "⚙️ SQL 性能调优"]) # ====================== 页面1：自然语言转SQL查询页面 ====================== if page == "🔍 数据查询与总结": st.header("💬 自然语言转 SQL 查询") # 多行文本输入框，接收用户中文业务需求 user_input = st.text_area("请输入你的业务查询需求：", height=150) # 点击提交按钮触发查询逻辑 if st.button("🚀 生成并执行", type="primary"): input_trim = user_input.strip() # 校验1：输入为空拦截 if not input_trim: st.warning("请输入有效的业务查询需求后再提交") # 校验2：禁止直接粘贴SQL，区分两个页面的使用场景 elif re.match(r'(?i)^\s*SELECT\s+', input_trim): st.warning("此处请输入自然语言描述的查询需求（例如：查询用户 1001 的所有订单），请勿直接粘贴 SQL 语句。") # 输入校验全部通过，执行AI查询逻辑 else: # 加载动画提示用户等待 with st.spinner("AI 正在生成 SQL 并查询数据..."): # 调用main封装好的核心业务方法 result = nl2sql_query(user_input) # 分支1：业务执行失败，展示错误信息 if not result["success"]: st.error(f"处理失败：{result['error']}") # 折叠面板展示大模型原始返回内容，方便排错 if result.get("raw_llm"): with st.expander("查看大模型原始回复"): st.code(result["raw_llm"]) # 分支2：执行成功，分层展示结果 else: st.success("SQL 生成并执行成功") # 高亮展示生成后的标准SQL语句 st.code(result["sql"], language="sql") # 存在查询数据则渲染表格 if result["rows"]: st.dataframe(result["rows"], use_container_width=True) # 存在AI业务总结则展示解读文本 if result["summary"]: st.markdown("### 💡 业务总结") st.info(result["summary"]) # 无匹配订单提示 else: st.info("未查询到匹配的数据") # ====================== 页面2：SQL性能调优分析页面 ====================== else: st.header("🔧 SQL 性能调优分析") # 输入框接收用户待优化SELECT语句 raw_sql = st.text_area("请输入待分析的 SQL 语句：", height=200) # 点击分析按钮执行调优流程 if st.button("📊 开始分析", type="primary"): input_trim = raw_sql.strip() # 校验1：空输入拦截 if not input_trim: st.warning("请输入有效的 SQL 语句后再提交") # 校验2：必须是SELECT语句，禁止其他类型SQL elif not re.match(r'(?i)^\s*SELECT\s+', input_trim): st.warning("此处请输入待分析的 SELECT SQL 语句，请勿输入自然语言描述。如需自然语言转 SQL，请切换到「数据查询与总结」页面。") # 校验通过，执行调优分析 else: with st.spinner("正在获取执行计划并分析..."): # 调用main封装的调优函数 result = sql_tune_analyze(raw_sql) # 分析失败展示错误 if not result["success"]: st.error(f"分析失败：{result['error']}") # 分析成功，展示执行计划表格+AI优化建议 else: st.success("执行计划获取成功") st.dataframe(result["plan_rows"], use_container_width=True) st.markdown("### 💡 调优建议") st.markdown(result["suggestion"])

创建 systemd 后台常驻服务

[root@server ~]# vim /etc/systemd/system/mysql-ai-web.service

[Unit] Description=INDODB AI Streamlit Web Tool After=network.target mysqld.service [Service] Type=simple User=root WorkingDirectory=/opt/mysql_ai_tools ExecStart=/usr/local/python3.11/bin/python3 -m streamlit run web_main.py --server.address 0.0.0.0 --server.port 8501 --server.headless true Restart=always RestartSec=3 StandardOutput=journal StandardError=journal [Install] WantedBy=multi-user.target

启动-----ystemctl daemon-reload systemctl enable --now mysql-ai-web

随后查询自己虚拟机的所在IP，使用浏览器访问所在IP

自此实验完成