NL2SQL｜AI｜POC by Vibe Coding（ Claude Code / Google Antigravity ）
專案說明
NL2SQL 結構化數據問答流程 ( NL2SQL Data Q&A Pipeline ) 是一個旨在解決 RAG 技術「數值運算缺陷」的精準問答方案。
針對企業報表、財務數據等高精確度場景，本專案不依賴語言模型的生成能力進行計算，而是 將自然語言轉譯為可執行的資料庫查詢指令（SQL）。核心價值在於實現「數據民主化」，讓非技術人員（如業務、管理層）能透過對話直接獲取準確的數據洞察，同時確保數據來源的 100% 可驗證性，消除 AI 在數值上的幻覺風險。
專案背景
在企業知識管理（KM）的實際應用中，我們發現客戶不僅需要查詢文件（非結構化資料），更頻繁地需要查詢營收、庫存、績效等結構化數據。
然而，既有的 RAG 架構在面對這類需求時存在嚴重不足：
數值幻覺（Hallucination）：
LLM 擅長文字續寫，但在進行加總、佔比等精算時經常出錯，這在金融與公部門場景是零容忍的
檢索邏輯斷層：
向量相似度無法處理「篩選大於 500萬 的訂單」這類邏輯精確的條件
信任危機：
使用者無法驗證 AI 給出的數字是怎麼算出來的，導致決策者對於採用 AI 提供的數據存在疑慮
因此，關鍵在於：如何打造如同 RAG 一樣的問答場景，又能夠確保結構化數據準確查詢（有效應用）？
專案階段
階段一：場景痛點定義
識別現有 RAG 產品在處理結構化數據時的「數值幻覺」問題，確立以 NL2SQL 查詢真實資料的解決方案，取代混合檢索（關鍵字 + 向量）的產品方向
階段二：敏捷原型開發 ( Vibe Coding )
使用 Claude Code 進行 vibe coding，在一週內快速搭建包含 Schema 解析、查詢轉譯到結果解釋的完整 POC，驗證技術可行性
階段三：價值驗證與提案
與使用者進行互動測試，驗證「查詢+檢核」模式對提升數據信任度的有效性，並完成產品規格提報
 |  |
|---|---|
將數據轉為文字詮釋（ Result-to-Text Generator ） | SQL 查詢數據（ SQL Query Generator ） |
 | LLM 生成的 SQL 查詢語法 |
專案過程
策略轉向：從「生成」轉為「執行」
為了徹底解決數值準確性問題，將 LLM 的角色重新定義為「翻譯官」，負責理解使用者的業務意圖（Intent），並將其轉化為資料庫能看懂的 SQL 指令。計算的工作回歸給最擅長計算的資料庫引擎，確保結果 100% 精準
彌合「業務語言」與「數據結構」的鴻溝
單純的 SQL 生成往往因為欄位命名晦澀而失敗。在本架構中導入 欄位說明補充流程，引入「人機協作」機制，讓資料管理者能為冷冰冰的資料表欄位補充業務說明（Context）。這讓 AI 能聽懂「高價值客戶」對應的是
total_spend > 10000的邏輯，而非瞎猜構建「可解釋性」的信任迴圈
針對企業、政府機關客戶對 AI 的高度可驗證性需求，我設計了「三段式回應」的產品體驗：不僅給出自然語言的結論（ Insight ），還同步展示「查詢指令（ SQL ）」與「原始數據表格（ Raw Data ）」。這讓使用者（或稽核人員）擁有「驗算」的權利，從而建立起對系統的深層信任
極速驗證產品假設
作為 PM，我利用 Claude Code（ Vibe Coding ） 進行全端原型的快速搭建。在不佔用工程團隊資源的前提下，僅用 5 天 就完成了從資料庫串接到前端介面的 POC。這不僅驗證了技術可行性，更讓團隊在開發前就看到了具體的產品樣貌，大幅降低了溝通成本與開發風險
解決方案
實施「零幻覺數據查詢機制」
核心策略：以確定性的資料庫運算取代機率性的模型生成
執行細節：限制 LLM 僅負責邏輯推導，所有的加減乘除、排序篩選皆轉化為 SQL 語法由 Database 執行
價值：徹底解決了 RAG 模型「一本正經胡說八道」的數值問題，讓產品能安全應用於財務報表、庫存盤點等高風險場景
打造「數據民主化」的操作介面
核心策略：降低數據查詢的技術門檻
執行細節：透過 NL2SQL 技術，讓不懂 SQL 的業務人員也能用口語（如：「幫我列出上個月銷售前三名的產品」）直接調用資料庫數據，並由 AI 自動將結果轉譯為易讀的中文分析報告
價值：大幅提升結構化資料應用效率，讓業務決策者能即時獲取數據，縮短從「產生問題」到「獲得答案」的決策週期
建立「白箱化」的合規驗證標準
核心策略：主動揭露推導過程，滿足企業稽核需求
執行細節：系統強制輸出 SQL 查詢邏輯與原始數據快照，作為 AI 回答的「佐證」
價值：將 AI 從「黑箱」變為「白箱」，符合政府與大型企業對可解釋性 AI（XAI）的合規要求，成為產品進入高監管市場的關鍵敲門磚
成果說明
解決結構化數據的 RAG 盲區
POC 驗證證實，本方案能精準處理包含多重篩選、聚合計算（Group By）、比例運算等複雜邏輯的商業提問，填補了原產品線在「精確數據檢索」上的功能缺口
顯著降低技術驗證成本 (Time-to-Validation)
透過 PM 獨立執行 Vibe Coding，將原需工程團隊投入 2-3 週的技術評估期縮短至 1 週。這不僅加速了產品迭代節奏，也為公司節省了顯著的研發人力成本
提升客戶對 AI 產品的信任度
NL2SQL 解決方案兼具「可解釋性」、「準確性」，提升 B2B 場景中潛在客戶對於產品應用的信任度