构建一个基于 Spring Boot 3.4.0 的后端应用，集成 SQL 解析、转换和优化功能，并结合大语言模型（如 Ollama 和 Qwen2.5）来提高返回质量。
我们将一步一步分析并完成您的需求,且完成一个功能附上对应的测试代码。
- SQL解析：解析用户输入的 SQL（
Oracle或MySQL），提取其中的 SQL 语句。 - SQL转换：将
Oracle或MySQL的 SQL 转换成PostgreSQL语句。 SQL优化：提供 SQL 执行计划、预计耗时和优化建议。 - 模型集成：集成大语言模型（
Ollama和Qwen2.5）进行AI模型来优化SQL语句。 - Prompt优化：使用
LangChain来优化 prompt，增强回复的准确性和安全性，拒绝无关或敏感问题。 - Function Calling：使用
Function Calling来处理日期等特殊关键字，提高模型返回质量。 - 本地化部署：项目不支持联网，所以不依赖外部搜索服务。
- 目标: 调用大模型 API 对 SQL 进行优化、生成执行计划、提供优化建议。
- 多层纠错与筛选机制： 生成SQL只是第一步，确保生成结果的准确性同样重要。
- 模型采用三阶段纠错与筛选流程：
- 多层纠错与筛选机制: 对初始生成的SQL进行语法和逻辑错误修复。
- 候选筛选：通过深度优化的筛选模型，精确挑选最优SQL。
- 综合优化：将逻辑一致性作为最终判断标准，替代传统的“自一致性策略”。
：用于提供 RESTful API。
：用于 SQL 方言转换（Oracle/MySQL 到 PostgreSQL）。
：与大语言模型交互。
：用于优化 prompt 提高模型的响应质量。
：本地部署的开源 LLM 服务框架，支持多种开源模型。
- 支持模型：
Llama2、Mistral、Gemma等 - 特点：轻量级部署，API 简单，资源占用低
- 支持模型：
：通义千问2.5，阿里云开源的大语言模型，支持中英双语及多种任务。
- 参数规模：支持
0.5B、1.8B、4B、7B、14B、72B等多种规格 - 特点：支持 32K 上下文，具备代码理解和生成能力
- 参数规模：支持
- API层：用于接收用户请求并返回处理后的结果。
- 服务层：负责 SQL 解析、转换、优化以及与大模型接口交互。
- 模型集成层：与
Ollama和Qwen2.5交互，并使用LangChain优化 prompt。 - 配置层：配置虚拟线程、SQL解析工具和模型接口。
# 安装git
# 第一次使用：
centos：
yum install git
Ubuntu：
apt-get install git
# 克隆项目
git clone https://github.com/mlxiong518/SQLBrigerAI.git
# 更新本地代码
git pull
# 查看代码状态
git status
# 后面提交代码
git pull //拉取最新的代码文件
git add .
git commit -m "first commit" //第一次提交
git pull //！！！ 提交之前，先同步下最新版的代码，避免冲突
git push -u origin master //同步到远程服务器项目使用 Docker 进行容器化部署，确保项目的可移植性和可重复性。
# 使用 OpenJDK 21 基础镜像
FROM openjdk:21-jdk-slim
# 设置工作目录
WORKDIR /app
# 将构建好的 JAR 文件复制到容器中
COPY target/*.jar /app/app.jar
# 暴露应用端口
EXPOSE 8080
# 运行应用程序
ENTRYPOINT ["java", "-jar", "/app/app.jar"]在项目的根目录下，执行以下命令来构建 Docker 镜像：
docker build -t SQLBrigerAI:0.0.1 .使用以下命令运行生成的 Docker 镜像：
docker run -p 8080:8080 SQLBrigerAI:0.0.1这将启动一个容器，并将应用程序暴露在宿主机的8080端口。
mvn clean package -DskipTests -T 4
java -jar SQLBrigerAI.jar --spring.profiles.active=dev