这几天很很多粉丝进行了深度交流，发现大家对于 SQL 学习或者编写都遇到过困难，因此勇哥突发奇想是否可以借助 chatGPT 来帮一下大家呢？于是就开启了 chatGPT 的落地之旅。从官网了解到 chatGPT 支持 49 种场景的，其中 2 中常见与 sql 相关，即：
1.无依据，通过一句话来生成 sql 语句
2.有依据，通过一句话来生成 sql 语句
这两种方式进过效果对比，第 2 种效果非常的好，于是我就在我的产品中按照第 2 中模式开发了一个对大家有帮助的功能：“基于你自己的数据库结构，通过一句中文，自动生成 SQL 语句”，演示效果如下：
第一种生成方式：单独窗口生成 SQL，操作步骤：
1、选中生成 SQL 可能要用到的表，这个将作为上下文，发送给 chatGPT
2、在打开的窗口中用中文描述你想要的 SQL 的需求，然后点击 RUN 按钮
3、生成成功后的 SQL 会在右中面板中显示出来，同时你可以直接点运行，查看生成 SQL 语句的执行结果

第二种生成方式：查询器中生成 SQL 操作步骤：
1、随便打开一个数据库表的查询器
2、在查询器中写一句描述要生成 sql 语句的中文，选中后右键点击【Sq lGenerator】菜单，即可生成
3、选中生成的 SQL 语句，即可执行查看结果

chatGPT 为你生成 SQL 的落地代码赏析
chatGPT 的入门案例
其实 chatGPT 的 API 调用非常简单，但是复杂的是他的参数非常的复杂，举个两个例子：
1、下面 temperature 参数写成 0.0D 或者 0.1D，其它参数都不变，那么获得结果都是不同类的，也就是 0.0D 是你想要的 SQL，0.1D 就变成了小说内容了；
2、prompt 是输入的信息，49 中场景，prompt 的输入格式就有 49 种，非常复杂，一不小说错误输入，就会获取不到结果；

public static void main(String[] args) {
    String token = "换成你自己的token";

    OpenAiService service = new OpenAiService(token);
    CompletionRequest completionRequest = CompletionRequest.builder()
        .model("code-davinci-002")
        .prompt("### Mysql SQL tables, 表字段信息如下:\\n#\\n# Employee(id, name, department_id)\\n# Department(id, name, address)\\n# Salary_Payments(id, employee_id, amount, date)\\n#\\n### 创建表的语法\\n HELP")
        .temperature(0.0D)
        .maxTokens(1000)
        .topP(1D)
        .frequencyPenalty(0D)
        .presencePenalty(0D)
        .stop(Arrays.asList("#",";"))
        .build();
    service.createCompletion(completionRequest).getChoices().forEach(System.out::println);
}

chatGPT 的落地案例
下面这段代码就是最开始我验收那些效果的真实代码，基本和入门代码差不多，不同的是我在上面增加了输入需求的初步过滤，这样生成的 SQL 精准度会高非常多。

public class AiUtils {

    /**
     * 生成需求
     * @return
     */
    public static List<CompletionChoice>  generatorSqlQuery(String tables,String demand){
        String keyword = "";
        if(demand.contains("查询")||demand.contains("select")){
            keyword = "SELECT";
        }else if(demand.contains("删除数据")||demand.contains("delete")){
            keyword = "DELETE";
        }else if(demand.contains("删除")||demand.contains("drop")){
            keyword = "DROP";
        }else if(demand.contains("修改数据")||demand.contains("update")){
            keyword = "UPDATE";
        }else if(demand.contains("修改")||demand.contains("alter")){
            keyword = "ALTER";
        }else if(demand.contains("增加")||demand.contains("insert")){
            keyword = "INSERT";
        }else if(demand.contains("创建")||demand.contains("create")){
            keyword = "CREATE";
        }else if(demand.contains("显示")||demand.contains("show")){
            keyword = "SHOW";
        }else if(demand.contains("清空")||demand.contains("truncate")){
            keyword = "TRUNCATE";
        }
        OpenAiService service = new OpenAiService(TOKEN);
        CompletionRequest completionRequest = CompletionRequest.builder()
                .model("code-davinci-002")
                .prompt(String.format("%s %s\\n%s",tables,demand,keyword))
                .temperature(0.0D)
                .maxTokens(1000)
                .topP(1D)
                .frequencyPenalty(0D)
                .presencePenalty(0D)
                .stop(Arrays.asList("#",";"))
                .build();
        List<CompletionChoice> choices = service.createCompletion(completionRequest).getChoices();
        for (CompletionChoice choice : choices) {
            choice.setText(keyword+choice.getText());
        }
        return choices;
    }

}