Vanna 是一款开源项目：开源的文本转 SQL 框架，基于 RAG 训练。

这篇面向国内用户，讲注册使用要点、合规注意和国产同类的对照。

国内使用前要考虑的事

  • 访问与服务可用性：是否在你所在地区提供服务，以官方说明为准。
  • 支付方式：订阅通常需要境外支付方式，企业采购还要考虑发票。
  • 数据跨境：涉及个人信息或重要数据时，需要评估合规要求。
  • 遵守所在地法律法规与单位的信息安全规定。

国产同类对照

如果你需要国内可直接使用的方案，可以对照了解：Quick BI、FineBI、Chat2DB。建议用同一组任务分别测试，比较效果、速度和数据条款。

一个通用测试任务

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。

交付前确认：说明了口径问题。

更多可以试的用法

图表建议

输入：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）。

交付前确认：指出了误导风险。

评测大模型应用

输入：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。

验收标准：评分标准清晰可复用。

数据清洗方案

准备材料：一份有缺失和异常值的数据。

分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。

检查点：说明了处理对结论的影响。

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：异常检测

自动发现偏离正常范围的数据点。

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。

适合人群：电商运营

电商运营可以用 Vanna 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：财务人员

财务人员可以用 Vanna 处理单据识别录入、报表说明与分析等工作。需要注意：财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。

适合人群：科研人员

科研人员可以用 Vanna 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。

写在最后

涉及个人信息、商业机密或受监管数据时，先确认 Vanna 的数据处理条款，再决定能否使用。

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

延伸阅读