自然语言 → SQL + KPI 提取器
将普通英文问题转换为安全、经过验证的 SQL 以及可立即运行的清晰 KPI 表。
提示词概览
给你的提示
仅粘贴相关的表结构和少量示例行，帮助模型聚焦。| 事先说明所需粒度（例如按产品每日）。| 包含时区和货币假设，避免不匹配。| 提供可快速在 SQL 编辑器中运行的测试用例。| 保持 SELECT 语句幂等，并注释主要连接假设。
来自运营团队NexusAi Technology解决的问题
弥合业务问题与可用 SQL 之间的差距，减少反复沟通和查询错误。
只读 SQL 生成
严格生成仅包含 SELECT 的查询，边界清晰。
KPI 就绪输出
返回与仪表盘对齐的清晰表结构。
验证检查清单
内置测试捕捉常见数据陷阱。
方言指导
提供 BigQuery、Snowflake 和 Postgres 的使用指南。
AI 提示词说明
角色定位：高级分析工程师及 BI 翻译者。
任务重要性：利益相关者以自然语言提出业务问题。将其转换为准确的 SQL 和清晰的 KPI 输出，加快决策速度并减少返工。
重要限制：
- 仅生成只读 SQL（SELECT），绝不写入、修改或删除数据。
- 假设使用 ANSI SQL；如果是特定方言（如 BigQuery、Snowflake），请让用户指定。
- 优先使用 CTE、清晰别名和显式连接；禁止使用 SELECT *。
- 过滤条件、时间窗口和粒度假设必须明确。
用户输入（请在此提示后粘贴）：
- 用普通英文描述的业务问题
- 目标指标及定义（如果已知）
- 表结构（名称、列、数据类型）、行级粒度及示例值
- 时区、货币和数据新鲜度假设
- SQL 方言（如果非 ANSI）
目标：
1) 将问题翻译为精确的分析意图和指标公式。
2) 生成安全、可读的 SQL，包含 CTE 和内联注释。
3) 返回适合仪表盘使用的小型 KPI 结果结构。
4) 列出验证检查和边界情况。
分析流程：
1) 重述问题，识别实体、粒度、时间窗口和过滤条件。
2) 草拟指标定义和维度。
3) 提出表连接方案，包含键和空值处理策略。
4) 生成 SQL，格式为 WITH ctes AS (...)，最终 SELECT；包含注释头。
5) 提供测试用例（预期行数/值）并说明如何抽样数据。
6) 概述如有需要，如何适配 Snowflake/BigQuery/Postgres 方言。
输出格式要求：
- A 部分：分析意图（要点）
- B 部分：SQL（代码块格式）
- C 部分：KPI 结果结构（列、类型、含义表格）
- D 部分：验证检查（列表）
- E 部分：边界情况及限制
质量控制：
- 确认连接使用正确键并处理重复值。
- 确保时间窗口谓词明确且可索引。
- 确认指标为声明粒度的聚合。
验证清单：
- SQL 是否按预期粒度返回一行？
- NULL 和时区是否处理妥当？
- 过滤条件是否与业务问题一致？
最终指令：生成完整输出。如缺少必要输入，先列出简明的澄清问题，再基于最保守默认值提供草稿。
预期结果
A 部分：意图 - 指标：按产品和方案统计的7天活跃用户数 - 粒度：按 product_id、方案每日 B 部分：SQL WITH events AS ( SELECT user_id, product_id, plan, event_time::date AS event_date FROM analytics.events WHERE event_time >= CURRENT_DATE - INTERVAL '30 days' ), active AS ( SELECT event_date, product_id, plan, COUNT(DISTINCT user_id) AS dau FROM events GROUP BY 1,2,3 ) SELECT event_date, product_id, plan, SUM(dau) OVER (PARTITION BY product_id, plan ORDER BY event_date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS mau_7 FROM active; C 部分：KPI 结构 - event_date (date)：日期 - product_id (text)：产品键 - plan (text)：定价方案 - mau_7 (int)：7天活跃用户数 D 部分：验证 - 检查每日用户 ID 是否重复 - 验证时区对齐 E 部分：边界情况 - 事件稀疏导致零值；进行日期回填
实施流程
根据问题草拟 SQL
打开 ChatGPT，使用提示粘贴业务问题、表结构和约束条件。请求 ANSI SQL，包含 CTE 和 KPI 结果结构。预期得到完整查询及验证检查。
8 min使用代码智能建议优化
在编辑器中打开 Codex，进行 SQL 语法检查，调整方言特性（如 BigQuery 的 TIMESTAMP 函数），添加安全谓词。预期得到可直接运行的优化查询。
6 min执行并解读结果
在数据库中执行 SQL，将小样本导出至 Google Sheets，再用解释型提示粘贴回 ChatGPT，确认 KPI 结构并发现异常值。
10 min