前言

做电商运维经常遇到两大痛点：
1. 业务运营、产品不懂 SQL，每次查订单报表都要排队找开发，沟通成本极高；
2. DBA 日常重复分析慢查询 EXPLAIN 执行计划，判断全表扫描、索引缺失、文件排序等瓶颈，机械工作占用大量精力。

为此我基于openEuler + MySQL 8.0.45 + 腾讯云 TokenHub 大模型聚合平台，单人 3 天完成一套「InnoAI SQL 助手」，实现自然语言一键生成只读 SQL、自动查询出报表、AI 解读业务数据、自动解析执行计划输出索引优化方案，同时提供命令行 + Web 可视化双入口，敏感配置隔离、SQL 危险操作拦截，兼顾易用性与数据安全。

本文完整分享架构设计、环境部署、分层代码实现、功能实测、线上后台部署与踩坑总结，全部代码可直接复用。

一、项目整体概述

1.1 核心能力

1. NL2SQL 自然语言查询
- 仅生成 SELECT 只读语句，拦截 INSERT / UPDATE / DELETE / ALTER 等所有危险操作；
- 自动执行 SQL，表格化展示结果，大模型输出通俗易懂的业务总结；
- 严格绑定订单表结构，杜绝模型编造字段产生幻觉。

2. SQL 智能性能调优
- 自动获取 SQL 的 EXPLAIN 执行计划，解析全表扫描、临时表、文件排序等性能缺陷；
- AI 输出可直接复制执行的联合 / 覆盖索引 SQL、优化后重写语句、分级性能问题说明。

3. 双端交互入口
- 命令行终端：openEuler 服务器直接运行脚本，适合运维批量调试；
- Streamlit Web 可视化面板：浏览器访问，零前端代码，提供输入校验、代码一键复制、数据表格渲染；

4. 安全管控机制
- 数据库账号、LLM 密钥存放独立 .env 文件，设置 600 文件权限，代码无硬编码；
- SQL 前置安全校验，关键词黑名单拦截篡改类语句；
- 程序不打印明文密钥、数据库账号，异常捕获不崩溃。

1.2 技术栈清单

分层 技术选型 作用
底层系统 openEuler 2203 SP4 国产企业级服务器操作系统
数据库 MySQL 8.0.45 InnoDB 存储电商订单测试表 order_info
开发语言 Python 3.11.9（源码编译） 项目主体开发
数据库驱动 pymysql MySQL 连接封装
大模型服务 腾讯云 TokenHub 兼容 OpenAI 标准接口，支持 Qwen3.5-Plus、DeepSeek V4-Pro
LLM 调用 langchain-openai 标准化大模型请求封装
Web 可视化 Streamlit 快速搭建交互网页，无需前端开发
配置管理 python-dotenv 读取 .env 环境变量，隔离敏感信息
表格美化 tabulate 终端格式化打印查询结果

1.3 四层整体架构

1. 接入交互层
- 终端 CLI：main.py 交互式菜单；
- Web 页面：web_main.py Streamlit 可视化界面；

2. Python 核心业务层（分层解耦）
- main.py：总调度，封装 NL2SQL、SQL 调优公共逻辑，CLI / Web 共用；
- mysql_client.py：数据库统一封装，连接、查询、EXPLAIN、SQL 安全校验；
- prompts.py：统一管理两套提示词，内置 SQL 提取清洗工具；
- .env：独立配置文件，存放数据库、大模型密钥；

3. 数据持久层
openEuler 虚拟机 MySQL 8.0，testdb 库 order_info 订单测试表；

4. AI 大模型服务层
腾讯云 TokenHub 聚合网关，一套代码无缝切换多款开源大模型，统一鉴权计费。

1.4 3 天开发周期规划

- Day1：openEuler 系统初始化、Python 源码编译、MySQL 8 部署建表、TokenHub API 申请、梳理运维知识点；
- Day2：四层脚本开发、数据库连接封装、NL2SQL 提示词、SQL 调优逻辑、Web 页面联调；
- Day3：多场景业务测试、提示词优化、权限安全加固、systemd 后台服务部署、全量验收。

二、环境完整部署实操（openEuler）

2.1 系统初始化优化

关闭防火墙、SELinux、配置时间同步、安装编译依赖

# 关闭 SELinux
sed -i '7s/enforcing/disabled/' /etc/selinux/config
关闭防火墙并开机禁用
systemctl disable --now firewalld
修改主机名
hostnamectl set-hostname server
bash
配置阿里云时间同步
vim /etc/chrony.conf
server ntp.aliyun.com iburst
systemctl restart chronyd
chronyc sources
安装编译全套依赖
dnf install -y gcc gcc-c++ make cmake zlib-devel openssl-devel ncurses-devel readline-devel wget vim net-tools

2.2 源码编译 Python 3.11.9

避免系统自带 Python 版本过低，源码编译独立环境

cd /usr/local/src
上传 Python-3.11.9 源码包
tar -zxvf Python-3.11.9.tgz
cd Python-3.11.9
编译配置，开启动态库
./configure --prefix=/usr/local/python3.11 --enable-shared
多核编译安装
make -j$(nproc) && make install
配置动态链接库
echo "/usr/local/python3.11/lib" > /etc/ld.so.conf.d/python311.conf
ldconfig
全局软链接
ln -s /usr/local/python3.11/bin/python3.11 /usr/local/bin/python3
ln -s /usr/local/python3.11/bin/pip3.11 /usr/local/bin/pip3
验证
python3 -V
pip3 -V
配置阿里 pip 源
mkdir ~/.pip
vim ~/.pip/pip.conf
[global]
index-url = http://mirrors.aliyun.com/pypi/simple/
[install]
trusted-host=mirrors.aliyun.com
安装项目依赖
pip3 install pymysql python-dotenv tabulate langchain langchain-openai streamlit

2.3 MySQL 8.0.45 部署初始化

1. 解压安装、创建 mysql 用户、初始化数据库；
2. 修改 root 密码、新建 my.cnf 配置、配置 systemd 自启；
3. 创建 testdb 库、order_info 订单业务表，导入 20 条测试数据。

核心建表语句：

CREATE TABLE order_info(
  id BIGINT AUTO_INCREMENT PRIMARY KEY COMMENT '订单ID',
  user_id INT COMMENT '用户ID',
  order_name VARCHAR(200) COMMENT '商品名称',
  pay_amount DECIMAL(10,2) COMMENT '支付金额',
  create_time DATETIME COMMENT '下单时间'
) ENGINE=InnoDB COMMENT='电商订单业务表';

插入 20 条电商订单测试数据，覆盖用户、金额、时间、商品品类多维度查询场景。

2.4 腾讯云 TokenHub 大模型配置

1. 腾讯云实名认证，进入 TokenHub 平台创建 API Key；
2. 推荐模型：Qwen3.5-Plus、DeepSeek-V4-Pro（无多余思考链，减少 SQL 解析报错）；
3. 记录 API Key、统一 BaseURL 填入 .env 配置文件。

三、项目分层代码设计（核心模块讲解）

项目目录结构

/opt/mysql_ai_tools
├── .env             # 敏感配置（权限600）
├── main.py          # 核心业务调度+CLI终端入口
├── mysql_client.py  # MySQL数据库封装层
├── prompts.py       # 提示词管理+SQL提取工具
├── web_main.py      # Streamlit Web可视化页面
└── __pycache__

3.1 .env 配置文件（安全加固）

# MySQL 配置
MYSQL_HOST=127.0.0.1
MYSQL_PORT=3306
MYSQL_USER=root
MYSQL_PASSWORD=123456
MYSQL_DB=testdb
TokenHub 大模型配置
LLM_API_KEY=sk-xxxx
LLM_BASE_URL=https://tokenhub.tencentmaas.com/v1
LLM_MODEL_NAME=qwen3.5-plus
LLM_TEMPERATURE=0

加固权限，防止其他用户读取密钥：

chmod 600 /opt/mysql_ai_tools/.env

3.2 mysql_client.py 数据库安全封装

核心亮点：
1. 静态 SQL 安全校验，黑名单拦截增删改、DDL 语句；
2. 封装 execute_query 执行只读查询、get_explain_plan 获取执行计划；
3. 统一异常捕获，自动释放数据库连接，避免连接泄露。

关键安全校验代码片段：

@staticmethod
def _check_sql_safety(sql: str) -> None:
    sql_trim = sql.strip().upper()
    danger_keywords = ["INSERT", "UPDATE", "DELETE", "DROP", "ALTER", "TRUNCATE"]
    for kw in danger_keywords:
        if re.search(r'\b' + re.escape(kw) + r'\b', sql_trim):
            raise Exception(f"安全拦截：禁止执行{kw}，仅支持SELECT查询")

3.3 prompts.py 提示词工程层

两套标准化 Prompt 模板：
1. NL_TO_SQL_PROMPT：约束模型仅生成 SELECT、使用给定表字段、SQL 包裹在 ```sql ``` 代码块；
2. SQL_TUNE_PROMPT：传入表结构 + 原始 SQL + EXPLAIN 数据，输出性能问题、建索引语句、优化 SQL；

内置 extract_sql 工具函数，三层正则匹配提取纯净 SQL，兼容各类模型输出格式，解决模型多余文字干扰执行。

3.4 main.py 核心业务调度

两大核心对外函数（CLI / Web 共用无重复代码）：

1. nl2sql_query(user_input)
- 流程：自然语言传入 LLM → 提取清洗 SQL → 数据库执行查询 → 调用大模型生成业务总结；
- 返回标准化字典：生成 SQL、查询表头、数据列表、业务解读、错误信息；

2. sql_tune_analyze(raw_sql)
- 流程：清洗 SQL → 获取 EXPLAIN 执行计划 → 传入大模型分析性能瓶颈；
- 返回执行计划明细、完整调优建议、可直接执行索引语句；

内置 clean_sql_spacing 工具，修复中文空格、全角标点、关键字粘连等模型输出语法 bug。

3.5 web_main.py Streamlit 可视化页面

无需前端开发，纯 Python 实现双功能面板：
1. 侧边栏展示项目名称、当前模型、功能切换导航；
2. 面板 1：自然语言转 SQL 查询，输入校验、生成 SQL 代码块、表格展示数据、业务解读；
3. 面板 2：SQL 性能调优，输入 SELECT 语句，展示完整 EXPLAIN 表格、AI 优化方案；
4. 自定义全局 CSS：优化代码复制按钮、表格排版、页面宽度，解决 Streamlit 原生 UI 简陋问题。

四、功能实测演示

4.1 场景 1：自然语言统计用户订单消费

输入需求：1001、1002、1003 每个用户的订单总消费金额与订单笔数，按总消费从高到低排序

AI 自动生成合规 SQL：

SELECT
  user_id AS 用户ID,
  SUM(pay_amount) AS 总消费金额,
  COUNT(id) AS 订单笔数
FROM order_info
WHERE user_id IN (1001, 1002, 1003)
GROUP BY user_id
ORDER BY 总消费金额 DESC

查询结果表格展示，AI 自动输出业务总结：区分高价值用户、分析复购行为、提示样本数据特征。

4.2 场景 2：SQL 性能自动调优

输入上述统计 SQL，工具自动执行 EXPLAIN，识别三大性能问题：
1. type=ALL 全表扫描（user_id 无索引）；
2. Extra 存在 Using temporary、Using filesort（分组排序消耗 CPU）；
3. 无覆盖索引，查询需回表读取 pay_amount；

AI 直接输出可落地优化方案：

ALTER TABLE order_info ADD INDEX idx_user_id_pay_amount (user_id, pay_amount);

同时给出优化改写 SQL，遵循 COUNT(*) 索引最优实践。

4.3 Web 页面访问效果

服务器 IP:8501 浏览器直接打开，侧边栏切换功能，输入框提交后自动渲染表格、代码块，支持一键复制 SQL 语句。

五、后台常驻部署（systemd 服务）

将 Streamlit 网页配置开机自启，后台持续运行

vim /etc/systemd/system/mysql-ai-web.service
[Unit]
Description=InnoAI SQL Streamlit Web 助手
After=network.target mysqld.service
[Service]
Type=simple
User=root
WorkingDirectory=/opt/mysql_ai_tools
ExecStart=/usr/local/python3.11/bin/python3 -m streamlit run web_main.py --server.address 0.0.0.0 --server.port 8501 --server.headless true
Restart=always
RestartSec=3
[Install]
WantedBy=multi-user.target

启动并设置开机自启

systemctl daemon-reload
systemctl enable --now mysql-ai-web
查看运行状态
systemctl status mysql-ai-web

六、开发踩坑与解决方案

1. 模型输出带思考链，SQL 提取失败
解决：选择无思考链模型（Qwen3.5-Plus），Prompt 强制仅输出 SQL 代码块，多层正则清洗过滤多余文字；

2. 模型生成中文全角逗号、空格导致 MySQL 语法报错
解决：编写 clean_sql_spacing 统一替换全角符号、合并多余空白，标准化关键字格式；

3. .env 密钥明文泄露风险
解决：文件权限设 600，代码全程不打印配置明文，仅内存读取；

4. 数据库连接频繁泄露
解决：封装 close() 方法，所有业务逻辑放在 finally 块强制关闭连接；

5. Streamlit 代码复制按钮失效
解决：自定义 CSS 提升复制按钮层级，修复遮挡问题；

6. MySQL 8 编译 Python 缺失 ssl 模块，大模型 API 调用失败
解决：编译 Python 时安装 openssl-devel 依赖，编译后校验 ssl 模块可用性。

七、项目拓展优化方向

1. 增加 RAG 知识库，注入企业业务口径、表注释，降低模型幻觉；
2. 增加用户登录权限，区分只读 / 管理员账号；
3. 慢查询日志自动采集，批量分析多条慢 SQL；
4. 支持多表关联查询，扩展订单详情、商品表关联场景；
5. 增加 SQL 执行结果缓存，高频查询减少大模型与数据库请求；
6. 支持私有化本地大模型部署，不依赖第三方 API。

八、总结

本项目打通「国产 openEuler 系统 + MySQL 运维 + LLM 大模型 + Web 可视化」完整链路，用极低开发成本解决企业数据库两大高频痛点：业务人员自助查数、DBA 自动化 SQL 性能诊断。

整套工具轻量化、3 天即可落地，安全机制完善，同时提供命令行与网页双交互模式，适合中小企业运维、数据团队直接复用二次开发，是大模型落地数据库运维场景的典型实战案例。

#NL2SQL #MySQL性能优化 #openEuler #Streamlit #大模型实战 #数据库运维 #AI SQL助手 #Python实战

# 人工智能 # sql # 数据库
Logo
openEuler 社区

openEuler 是由开放原子开源基金会孵化的全场景开源操作系统项目，面向数字基础设施四大核心场景（服务器、云计算、边缘计算、嵌入式），全面支持 ARM、x86、RISC-V、loongArch、PowerPC、SW-64 等多样性计算架构

更多推荐

洛谷 SP10707 COT2：Count on a tree II ← 树上莫队算法（基础莫队算法 + LCA + 欧拉序）

树上莫队（Tree Mo's Algorithm）是基础序列莫队在树形结构上的拓展算法。其核心思想是借助入栈出栈式欧拉括号序，将整棵树序列化成长度为 2n 的一维数组，从而将树上的路径查询与子树查询，等价转化为该一维数组上的区间查询问题。

avatar openEuler 社区

内核态、用户态背得滚瓜烂熟，结果考试题目上写的是“管态”“目态”“特权态”，我懵了，这是啥？

操作系统考试里，2分可能决定你能不能过线。而这几分别名题，纯粹是“知道就得分，不知道就送命”的记忆题。千万不要在考场上看到“管态”两个字一脸懵。现在记住了吗？内核态 = 管态 = 核心态 = 特权态 = 系统态用户态 = 目态。

avatar openEuler 社区
cover

手写进程池：基于匿名管道的 Master-Slave 架构实战

avatar openEuler 社区