带 AI 的开源数据库客户端与 SQL 助手——这是 Chat2DB 最主要的用途，也是本文讨论的前提。

用 AI 最容易犯的错是「看着不错就用了」，这篇给出一张可复用的打分表。

评分表（每项 1 到 5 分）

维度看什么1 分5 分
数字正确结果能否被独立复核明显不合格无需修改即可使用
口径一致与既有报表定义是否一致明显不合格无需修改即可使用
可解释是否给出计算过程与假设明显不合格无需修改即可使用
可视化恰当图表是否清晰且不误导明显不合格无需修改即可使用
数据安全是否遵守权限与脱敏要求明显不合格无需修改即可使用

建议：任一维度低于 3 分就不要直接使用；总分用于比较不同提示词或不同工具的效果。

用一个任务试打分

图表建议

准备材料：一组需要汇报的数据。

根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。

验收标准：指出了误导风险。

怎么让评分更可靠

  • 同一批材料至少测 5 次，不只看最好的一次。
  • 两人分别打分，分歧大的维度再讨论标准。
  • 把 Chat2DB 的结果与人工完成或 DBeaver 的结果放在一起盲评。
  • 每次改提示词后用同一批材料复测。

更多可以试的用法

评测大模型应用

适用情况：手头有一批真实用户问题和应用回答时。

为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。

验收标准：评分标准清晰可复用。

写 SQL 查询

输入：数据库表结构说明。

根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。

检查点：说明了口径问题。

指标异动解读

输入：一个突然下降的业务指标。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

检查点：先排查数据本身问题。

常见问题：敏感数据暴露给模型

使用脱敏视图或只读账号，限制可访问的表。

常见问题：生成的 SQL 运行报错

提供准确的表结构和字段说明，先在测试库运行。

常见问题：图表结论被过度解读

区分相关与因果，在报告中标注假设。

概念补充：语义层

把业务指标定义统一管理，让 AI 查询时口径一致。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

适合人群：数据分析师

数据分析师可以用 Chat2DB 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

适合人群：HR 与招聘

HR 与招聘可以用 Chat2DB 处理岗位描述撰写、面试题与评估表等工作。需要注意：简历筛选不得以性别、年龄等因素做歧视性判断，候选人信息需妥善保管。

适合人群：新媒体运营

新媒体运营可以用 Chat2DB 处理内容排期、数据复盘等工作。需要注意：活动规则与奖品说明要准确，避免诱导分享等违规玩法。

写在最后

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

文中提示词和示例仅作示意，实际效果取决于你的材料和 Chat2DB 当前版本，重要内容请人工核对后再使用。

延伸阅读