Chat2DB 老手才知道的用法
Chat2DB 是一款开源项目：带 AI 的开源数据库客户端与 SQL 助手。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 给一个你满意的样例，让它模仿结构而不是复制内容。
- 敏感信息用代号替换，交付前再换回。
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
- 同一任务准备 5 份测试材料，改设置后统一复测。
- 长材料分段处理，每段完成后再要一份汇总。
- 遇到瓶颈时，用 Vanna 做一次对照，判断是工具问题还是用法问题。
- 把「口径」等关键设置弄清楚再调参。
示例：分步完成的写法
写 SQL 查询
准备材料：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。
交付前确认：说明了口径问题。
补充练习
自然语言问数
准备材料：一张销售明细表。
请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。
检查点：给出了可复核的计算过程。
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。
评测大模型应用
准备材料：一批真实用户问题和应用回答。
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。
检查点：评分标准清晰可复用。
常见问题：问数结果看似合理但错误
准备几道已知答案的问题做抽检。
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：AI 算出的数字和报表不一致
检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。
概念补充：文本转 SQL
把自然语言问题转换为数据库查询语句。
概念补充：评测集
用于反复检验模型或应用效果的标准问题集合。
适合人群：电商运营
电商运营可以用 Chat2DB 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。
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。
适合人群：科研人员
科研人员可以用 Chat2DB 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。
注意事项
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。
本文基于 Chat2DB 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。