第八章：Text-to-SQL的局限性

8.1 失败案例分析

即使经过优化，Text-to-SQL在语义理解方面仍有明显短板:

# 语义理解失败案例
semantic_queries = [
    ("推荐一些适合送女朋友的礼物", "无法理解'适合送女朋友'"),
    ("类似iPhone的高端手机", "无法理解'类似'"),
    ("性价比高的笔记本电脑", "无法量化'性价比'"),
]

print("Text-to-SQL语义理解失败案例:")
print("=" * 80)

for query, issue in semantic_queries:
    print(f"\n❌ 查询: {query}")
    print(f"   问题: {issue}")
    try:
        response = optimized_sql_engine.query(query)
        print(f"   SQL: {response.metadata.get('sql_query', 'N/A')}")
        print(f"   结果质量: 差 - SQL无法表达语义")
    except:
        print(f"   结果: SQL生成失败")

Text-to-SQL语义理解失败案例:

❌ 查询: 推荐一些适合送女朋友的礼物 问题: 无法理解'适合送女朋友' 结果: SQL生成失败

❌ 查询: 类似iPhone的高端手机 问题: 无法理解'类似' 结果: SQL生成失败

❌ 查询: 性价比高的笔记本电脑 问题: 无法量化'性价比' 结果: SQL生成失败

性能对比

查询	Text-to-SQL	向量检索	差距
"推荐适合的..."	40%	88%	-48%
"类似...的产品"	35%	90%	-55%
"性价比高的..."	38%	82%	-44%

结论: 需要混合方案，结合两者优势！