加入日志管理

tech_architecture.md

@@ -22,79 +22,123 @@ Text2SQL 系统由以下三个核心智能体组成：
 flowchart TD
     subgraph 输入层
         A[自然语言问题]
+        Actx[可选会话上文
+dialog_context]
     end
-    
+
     subgraph 核心处理层
-        A --> B[意图分类
-Dialog Classifier]
-        B -->|非查询意图| C[返回对话回复]
-        
-        subgraph "智能体 1: Schema Linker"
-            D[表选择]
-            D1[向量检索粗筛
-SchemaIndexer]
-            D2[LLM 精筛
-DeepSeek]
-            D3[外键扩展
-关联表处理]
+        A --> B[意图分类 classify_dialog]
+        Actx --> B
+        B -->|conversation| C[直接返回引导性中文回复]
+        B -->|text2sql| N0[问句归一 normalize_nl_question
+TRANSLATE_EN_TO_ZH=true 默认开启]
+        N0 --> D0[合并上文用于检索选表
+_merge_dialog_for_model]
+
+        subgraph "Schema Linker 表选择模块"
+            D[表选择流程]
+            D1[向量粗筛 _coarse_filter
+SchemaIndexer Chroma 或全表降级]
+            D2[LLM 精筛 _llm_select_tables
+select_tables]
+            D2b[经纪商维度表优先
+_prioritize_broker_tables]
+            D3[外键双向扩展
+_expand_relations]
+            D4[生成紧凑 Schema 字符串
+to_compact_string]
             D --> D1
             D1 --> D2
-            D2 --> D3
+            D2 --> D2b
+            D2b --> D3
+            D3 --> D4
         end
-        
-        B -->|查询意图| D
-        
-        subgraph "智能体 2: SQL Generator"
-            E[SQL 生成]
-            E1[Few-shot 示例增强]
-            E2[LLM 生成 SQL
-DeepSeek]
+
+        D0 --> D
+
+        subgraph "SQL Generator SQL生成模块"
+            E[SQL 生成 _generate_sql]
+            E1[Few-shot 示例增强 FewShotSelector
+Chroma 或 JSONL FEWSHOT_USE_CHROMA]
+            E2[LLM chat 生成
+temperature=0.0 top_p=1.0]
+            E3[sqlglot 方言归一
+normalize_sql_for_dialect]
             E --> E1
             E1 --> E2
+            E2 --> E3
         end
-        
-        D3 --> E
-        
-        subgraph "智能体 3: Validator"
-            F[SQL 验证]
-            F1[程序验证
-语法检查]
-            F1b[数据库试执行
-行列探针 0/1/-1]
-            F2[LLM 语义验证
-未探针时]
-            F3[结果评估]
+
+        D4 --> E
+
+        subgraph "Validator SQL验证模块 _validate_sql"
+            F[程序校验]
+            F1[语法验证 sqlglot]
+            F1a[表列一致性验证 SchemaManager]
+            F1b[危险操作检查 check_dangerous_operations]
+            F1c[T-SQL 字面量规则检查
+check_no_cjk_in_sql_string_literals]
+            F1d[库探针 probe_sql_execution_status_ex
+需 database_url 配置]
+            F2[LLM 语义验证 validate_sql
+仅探针为 None 时调用]
+            F0a[探针 1 交付说明
+sql_probe_success_delivery_message]
+            F0b[探针 0 无数据说明
+empty_result_user_feedback]
             F --> F1
-            F1 --> F1b
-            F1b --> F2
-            F2 --> F3
+            F1 --> F1a
+            F1a --> F1b
+            F1b --> F1c
+            F1c -->|无程序错误| F1d
+            F1c -->|有程序错误| I[未通过 max_retry 内重试]
+            F1d -->|探针 None| F2
+            F1d -->|探针 1| F0a
+            F1d -->|探针 0| F0b
+            F1d -->|探针 -1| I
+            F2 -->|LLM 报错| I
+            F2 -->|通过| H[GenerationResult 有效 SQL]
+            F0a --> H
+            F0b --> H
         end
-        
-        E2 --> F
-        F3 -->|验证通过| H[返回有效 SQL]
-        F3 -->|验证失败| I[重试逻辑
-最多 max_retry 次]
-        I -->|重试| E
+
+        E3 --> F
+
+        I --> R[重试回合]
+        R --> R1[extract_tables 合并上次SQL引用的表]
+        R1 --> R2[外键再扩展 _expand_relations]
+        R2 --> R3[重新生成紧凑 Schema to_compact_string]
+        R3 -->|下一 attempt| E
     end
-    
+
     subgraph 数据层
-        J[Schema 管理
-SchemaManager]
-        K[向量数据库
-Chroma]
-        L[Few-shot 示例库
-JSONL]
-        M[DeepSeek API
-大语言模型]
-        N[业务数据库
+        J[SchemaManager
+加载 Schema 元数据]
+        K[Chroma 持久化
+schema 向量索引 SchemaIndexer]
+        K2[Few-shot 向量库或 JSONL
+FewShotSelector]
+        Emb[嵌入模型
+OpenAI 兼容 Embeddings API]
+        M[DeepSeek LLM
+统一接口 deepseek.chat/select_tables
+/validate_sql 等方法]
+        N[业务库 SQLAlchemy
 database_url]
-        J --> D
+        J --> D1
+        J --> F1a
+        Emb --> D1
+        Emb --> E1
         K --> D1
-        L --> E1
+        K2 --> E1
+        M --> N0
         M --> D2
         M --> E2
         M --> F2
-        N --> F1b
+        M --> F0a
+        M --> F0b
+        M --> B
+        N --> F1d
     end
 ```
 
@@ -103,66 +147,115 @@ database_url]
 ### 1. 意图分类
 
 - **Dialog Classifier**：对用户输入的自然语言进行意图分类
-- **分类结果**：非查询意图直接返回对话回复，查询意图进入 SQL 生成流程
+- **分类模式**：支持 `rules`（仅规则）和 `hybrid`（混合）两种模式
+  - `rules` 模式：仅使用关键词和短语规则，无 LLM 调用
+  - `hybrid` 模式（默认）：明显查数词/寒暄/元问题走规则快速返回；其余交 LLM 判断
+- **分类结果**：非查询意图（conversation）直接返回对话回复，查询意图（text2sql）进入 SQL 生成流程
+- **规则关键词**：包含查数词（查、查询、统计、汇总）、业务词（余额、交易、账户、持仓）、寒暄词（元问题、致谢等）
 
-### 2. Schema Linker 算法
+### 2. Schema Linker 表选择模块
 
-- **向量检索粗筛**：使用 `SchemaIndexer` 对用户问题进行向量检索，获取相关表的候选列表
-  - 利用预训练的嵌入模型将表名和描述转换为向量
+- **问句归一化（可选）**：`normalize_nl_question_for_text2sql`
+  - 将用户中英文问题归一为标准中文（默认开启，`TRANSLATE_EN_TO_ZH=true`）
+  - 使同一语义的中英文表述对齐，保证 SQL 一致性
+  - 使用 LLM temperature=0 贪心解码
+
+- **对话上文合并**：`_merge_dialog_for_model`
+  - 拼接上文与当前问句，控制总长度（默认 4000 字符用于检索，6000 字符用于选表）
+  - 优先保留当前问句完整
+
+- **向量检索粗筛**：`_coarse_filter` → `SchemaIndexer`
+  - 使用嵌入模型将表结构转换为向量
   - 使用 Chroma DB 进行相似度搜索
-  - 返回 top-k 个最相关的表
+  - 返回 top-k 个最相关的候选表
+  - 可配置是否启用向量检索（`use_vector_search`）
 
-* **LLM 精筛**：调用 DeepSeek 模型对候选表进行精筛，选择最相关的表
-  - 构造包含表名和描述的提示
-  - 让 LLM 基于用户问题选择最相关的表
-* **外键扩展**：自动添加与选中表相关的关联表，确保查询完整性
-  - 分析表之间的外键关系
-  - 自动添加被引用和引用当前表的关联表
+- **LLM 精筛**：`_llm_select_tables` → `select_tables`
+  - 构造包含候选表名和注释的提示
+  - 调用 DeepSeek 模型选择最相关的表
+  - 返回相关表列表和选择理由
 
-### 3. SQL Generator 算法
+- **经纪商维度表优先（可选）**：`_prioritize_broker_tables`
+  - 问题涉及对手方/经纪商时，优先纳入 `TSBBrokerContract` 与 `MCBroker`
+  - 避免仅选中报表视图却无 BrokerID
 
-- **Few-shot 示例增强**：根据用户问题从示例库中选择相似的示例，增强 SQL 生成质量
-  - 计算用户问题与示例库中问题的相似度
-  - 选择 top-k 个最相似的高质量示例
+- **外键双向扩展**：`_expand_relations`
+  - 自动添加被引用的表（外键指向的表）
+  - 自动添加引用当前表的表（反向外键）
+  - 确保 JOIN 完整性
+
+- **生成紧凑 Schema 字符串**：`to_compact_string`
+  - 根据选中的表生成紧凑的 Schema 描述
+  - 包含表名、注释、字段、类型、主键、外键等信息
+
+### 3. SQL Generator SQL生成模块
+
+- **Few-shot 示例增强**：`FewShotSelector`
+  - 支持 Chroma 向量库或 JSONL 两种存储方式
+  - 根据用户问题计算语义相似度
+  - 选择 top-k 个最相似的高质量示例（支持评分、标签、难度过滤）
   - 将示例注入到提示中，指导 SQL 生成
-- **LLM 生成 SQL**：调用 DeepSeek 模型，根据选中的表结构和示例生成 SQL 语句
-  - 构造包含表结构、用户问题和示例的提示
-  - 指导 LLM 生成符合特定 SQL 方言的语句
-  - 清理和规范化生成的 SQL
+  - 可配置 `FEWSHOT_USE_CHROMA=true/false`
 
-### 4. Validator 算法
+- **LLM 生成 SQL**：`_generate_sql` → `deepseek.chat`
+  - 构造包含 Schema、用户问题、示例（可选）、对话上文的提示
+  - 使用 `temperature=0.0, top_p=1.0` 贪心解码
+  - T-SQL 特殊要求：使用方括号 `[]`、禁止反引号、`+` 拼接字符串、今日用 `CAST(GETDATE() AS DATE)`
 
-- **程序验证**：检查 SQL 语法是否正确，表和列是否存在于 Schema 中，是否包含危险操作
-  - 使用 sqlglot 进行语法检查
-  - 验证表和列是否存在于 Schema 中
-  - 检查是否包含危险操作（如 DROP、DELETE 等）
-- **数据库试执行（探针）**：在程序验证全部通过后，于已配置的业务库上对 SQL 做只读试执行，结果用单一状态码表示，**不把具体行列数据交给 Validator LLM**：
-  - **1**：执行成功，且**有返回行或有返回列**（列名或数据行至少其一非空）→ **跳过** Validator 的语义审核 LLM，**直接将 SQL 交付用户**
-  - **0**：执行成功，但**既无列也无行** → 仍交付 SQL，**跳过** Validator 语义审核 LLM，另调 LLM 生成简短中文说明（可能原因 + 请用户补充条件），随响应一并返回
-  - **-1**：执行失败 → 视为本次 SQL 不可用，**不交付**，进入重试；**不调用** Validator 语义审核 LLM
-  - 未配置 `database_url` 时跳过探针（可选告警），此时走 **LLM 语义验证** 作为兜底
-- **LLM 语义验证**：在未命中上述探针结果（即未配置库、未执行探针）时调用 DeepSeek，验证 SQL 语义是否符合用户意图
+- **SQL 方言归一**：`normalize_sql_for_dialect`
+  - 使用 sqlglot 清理和规范化生成的 SQL
+  - 提取 markdown 代码块中的 SQL
+
+### 4. Validator SQL验证模块
+
+- **程序校验**（确定性规则，按顺序执行）：
+  - **语法验证**：`validate_sql_syntax`（sqlglot）
+  - **Schema 一致性验证**：`validate_schema_consistency`（检查表和列是否存在于 Schema 中）
+  - **危险操作检查**：`check_dangerous_operations`（DROP、DELETE、UPDATE、INSERT、ALTER、TRUNCATE 等）
+  - **T-SQL 字面量规则检查**：`check_no_cjk_in_sql_string_literals`（禁止在字符串字面量中出现中文）
+
+- **数据库试执行（探针）**：`probe_sql_execution_status_ex`
+  - 仅在程序校验全部通过后执行
+  - 需要配置 `database_url` 环境变量
+  - 返回状态码：
+    - **1**：执行成功，且**有返回行** → **跳过 LLM 语义验证**，直接将 SQL 交付用户，可调用 `sql_probe_success_delivery_message` 生成交付说明
+    - **0**：执行成功，但**数据行数为 0** → 跳过 LLM 语义验证，调用 `empty_result_user_feedback` 生成补充说明和追问引导
+    - **-1**：执行失败 → 进入重试流程，不交付 SQL
+    - **None**：未配置 `database_url`，跳过探针
+
+- **LLM 语义验证**：`validate_sql`（仅探针为 None 时调用）
   - 构造包含 SQL、表结构和用户问题的提示
   - 让 LLM 评估 SQL 是否正确回答了用户问题
   - 收集错误和警告信息
-- **结果评估**：验证通过则返回有效 SQL，失败则进入重试逻辑
-  - 最多重试 max\_retry 次
-  - 每次重试使用相同的表结构，但重新生成 SQL
+  - 如果程序校验已通过 Schema 一致性，则过滤掉 LLM 常误报的 `unknown_table` 和 `unknown_column` 错误
+
+- **重试逻辑**：
+  - 最多重试 `max_retry` 次（默认 2）
+  - 每次重试：
+    - 合并上次失败 SQL 中引用的表（`extract_tables_from_sql`）
+    - 外键再扩展
+    - 重新生成紧凑 Schema
+    - 将上次校验错误反馈给 LLM
 
 ### 5. 数据层支持
 
-- **Schema 管理**：管理数据库表结构和元数据
-  - 从 JSON 文件加载表结构
+- **Schema 管理**：`SchemaManager` 管理数据库表结构和元数据
+  - 从 JSON/G3SB 文件加载表结构
   - 提供表和列的查询接口
   - 分析表之间的外键关系
-- **向量数据库**：存储表和列的向量表示，用于快速检索
-  - 使用 Chroma DB 存储向量
+  - 生成紧凑的 Schema 描述字符串
+- **向量数据库**：`SchemaIndexer` + Chroma DB 存储和检索表向量
   - 支持增量更新和查询
-- **Few-shot 示例库**：存储高质量的自然语言到 SQL 的示例
-  - 从 JSONL 文件加载示例
-  - 支持基于相似度的示例检索
-- **DeepSeek API**：提供大语言模型能力，用于表选择、SQL 生成和验证
-  - 调用 DeepSeek 聊天模型
+  - 可配置向量数据库路径
+- **Few-shot 示例库**：`FewShotSelector` 管理高质量示例
+  - 支持 Chroma 向量库或 JSONL 文件两种存储方式
+  - 基于语义相似度检索示例
+  - 支持评分、标签、难度过滤
+- **DeepSeek API**：统一接口提供大语言模型能力
+  - `deepseek.chat` 通用对话
+  - `select_tables` 表选择
+  - `validate_sql` SQL 验证
+  - `normalize_nl_question` 问句归一
   - 支持不同的模型参数配置
 
 ## 技术栈
@@ -177,12 +270,16 @@ database_url]
 
 ## 算法特点
 
-1. **多智能体协作**：Schema Linker、SQL Generator、Validator 三个智能体协同工作，各负责专门任务，形成完整的处理流程
-2. **向量检索增强**：Schema Linker 使用向量数据库快速筛选相关表，提高表选择效率
-3. **Few-shot 学习**：SQL Generator 利用示例库增强 SQL 生成质量，学习最佳实践
-4. **多层验证**：程序校验 + 库上探针；探针为 1/0/-1 时不再走 Validator 语义 LLM（1 直接交付、0 附带无数据说明、-1 重试），未配置库时仍以 LLM 语义验证兜底
-5. **自动关联表扩展**：Schema Linker 通过外键关系自动扩展相关表，提高查询完整性
-6. **可配置性**：支持多种配置参数，如温度、最大重试次数、向量检索开关等，适应不同场景需求
+1. **模块化编排架构**：Text2SQLOrchestrator 统一编排表选择、SQL 生成、SQL 验证三大模块，各模块协同工作形成完整处理流程
+2. **问句归一化**：支持中英文问句归一为标准中文（默认开启），保证同一语义的查询生成一致的 SQL
+3. **向量检索增强**：Schema Linker 使用 Chroma 向量数据库快速筛选相关表，提高表选择效率，可配置启用/禁用
+4. **经纪商维度表优先**：针对证券/期货业务场景，涉及对手方/经纪商的问题自动优先纳入经纪商维度表
+5. **Few-shot 学习**：SQL Generator 利用示例库增强 SQL 生成质量，支持 Chroma 向量库或 JSONL 存储方式，可配置启用/禁用
+6. **多层验证机制**：程序校验（语法 + Schema 一致性 + 危险操作 + T-SQL 字面量规则）+ 库上探针 + LLM 语义验证
+7. **智能探针分流**：探针返回 1（有数据）直接交付、0（无数据）附带说明引导用户补充条件、-1（失败）自动重试，None 时走 LLM 语义验证兜底
+8. **自动关联表扩展**：通过外键关系双向扩展相关表，确保 JOIN 完整性
+9. **对话上下文支持**：支持多轮对话的上下文合并，处理指代消解和续问
+10. **可配置性**：支持多种配置参数，如最大重试次数、向量检索开关、Few-shot 配置、问句归一开关等，适应不同场景需求
 
 ## Few-shot 学习详细说明
 
@@ -192,28 +289,54 @@ Few-shot 学习是一种机器学习方法，指通过少量示例来指导模
 
 ### 在 Text2SQL 系统中的应用
 
-在 Text2SQL 系统中，Few-shot 学习主要应用于 SQL Generator 智能体，具体流程如下：
+在 Text2SQL 系统中，Few-shot 学习应用于 SQL 生成阶段，通过 `FewShotSelector` 组件实现，具体流程如下：
 
-1. **示例库构建**：系统维护一个存储高质量自然语言到 SQL 示例的库，从 JSONL 文件加载。这些示例包含各种类型的 SQL 查询场景，如简单查询、复杂连接、聚合操作等。
-2. **相似度匹配**：当用户提出自然语言问题时，系统会计算该问题与示例库中问题的语义相似度。
-3. **示例选择**：基于相似度排序，选择最相关的 top-k 个高质量示例。
-4. **提示增强**：将这些示例注入到给大语言模型的提示中，指导模型生成更准确的 SQL 语句。
-5. **生成指导**：模型参考示例的结构和风格，结合用户问题和表结构，生成符合要求的 SQL 语句。
+1. **示例库构建**：系统维护一个存储高质量自然语言到 SQL 示例的库，支持两种存储方式：
+   - **Chroma 向量库**：`FEWSHOT_USE_CHROMA=true` 时使用，提供高效的相似度检索
+   - **JSONL 文件**：传统方式，从 `all_samples.jsonl` 加载示例
+   - 每条示例包含：问题（中文/英文）、SQL 语句、评分、标签、难度等级等元数据
+
+2. **相似度匹配**：当用户提出自然语言问题时，使用嵌入模型将问题转换为向量，计算向量相似度
+
+3. **示例选择**：基于相似度排序，支持多维度过滤：
+   - `top_k`：选择最相关的 top-k 个示例（默认 3）
+   - `min_rating`：最低评分过滤（默认 7）
+   - `required_tags`：必须包含的标签
+   - `max_difficulty`：最大难度过滤
+
+4. **提示增强**：将选中的示例注入到给大语言模型的提示中，格式为：
+   ```
+   参考以下相似示例的SQL编写风格：
+   
+   示例 1：
+   问题：xxx
+   SQL：
+   xxx
+   
+   【当前Schema】
+   xxx
+   ```
+
+5. **生成指导**：模型参考示例的结构和风格，结合用户问题和表结构，生成符合要求的 SQL 语句
 
 ### 技术实现
 
-- **示例存储**：使用 JSONL 格式存储示例，每条示例包含自然语言问题和对应的 SQL 语句。
-- **相似度计算**：利用预训练的嵌入模型将问题转换为向量，计算向量相似度。
-- **示例选择**：根据相似度得分选择最相关的示例。
-- **提示构造**：将选中的示例与用户问题、表结构一起构造提示，确保模型能理解任务要求。
+- **示例存储**：支持 Chroma 向量库持久化或 JSONL 文件加载两种方式
+- **向量索引**：
+  - Chroma 模式：使用 Chroma DB 存储和检索向量
+  - JSONL 模式：内存 numpy 数组 + 可选 .npy 缓存
+- **相似度计算**：利用预训练的嵌入模型将问题转换为向量，使用余弦相似度计算
+- **示例选择**：根据相似度得分和元数据过滤选择最相关的示例
+- **提示构造**：将选中的示例与用户问题、表结构一起构造提示，确保模型能理解任务要求
 
 ### 优势
 
-1. **减少数据需求**：不需要大量的标注数据，仅需少量高质量示例。
-2. **提高生成质量**：通过示例指导，模型能生成更符合特定场景的 SQL 语句。
-3. **学习最佳实践**：示例库可以包含领域专家编写的高质量 SQL，使模型学习到最佳实践。
-4. **适应不同场景**：通过扩展示例库，可以适应不同领域和复杂度的 SQL 生成需求。
-5. **灵活性**：可以根据具体应用场景调整示例库，提高系统的适应性。
+1. **减少数据需求**：不需要大量的标注数据，仅需少量高质量示例
+2. **提高生成质量**：通过示例指导，模型能生成更符合特定场景的 SQL 语句
+3. **学习最佳实践**：示例库可以包含领域专家编写的高质量 SQL，使模型学习到最佳实践
+4. **适应不同场景**：通过扩展示例库，可以适应不同领域和复杂度的 SQL 生成需求
+5. **灵活性**：支持 Chroma 和 JSONL 两种存储方式，可根据场景选择
+6. **高质量保障**：通过评分、标签、难度等元数据过滤，确保选用高质量示例
 
 ### 应用效果
 
@@ -223,20 +346,29 @@ Few-shot 学习是一种机器学习方法，指通过少量示例来指导模
 - 生成更符合用户意图的 SQL 语句
 - 减少生成错误
 - 提高系统的泛化能力
+- 通过示例学习特定业务场景的 SQL 编写风格
 
 ## 性能优化
 
-1. **向量索引预构建**：提前构建向量索引，加速首次查询
-2. **缓存机制**：缓存常见查询的结果，提高响应速度
-3. **并行处理**：对多个查询进行并行处理，提高系统吞吐量
-4. **模型调优**：调整 LLM 参数，平衡生成质量和速度
+1. **向量索引预构建**：`build_vector_index` 方法提前构建向量索引，加速首次查询
+2. **懒加载机制**：向量索引在首次使用时才加载，避免启动开销
+3. **Few-shot 缓存**：向量缓存到 `.npy` 文件，换模型自动重建
+4. **贪心解码**：SQL 生成使用 `temperature=0.0` 贪心解码，提高一致性和速度
+5. **库探针优化**：仅取 1 行数据（`max_rows=1`）判断探针状态，最小化数据库负载
+6. **SQL 执行优化**：
+   - 聚合查询优先直接执行而非 COUNT 包裹
+   - 自动去掉派生表内无意义的 ORDER BY
+   - 支持多种 SQL 方言的语法处理
 
 ## 扩展性
 
-1. **支持多种数据库**：通过配置支持不同的 SQL 方言
-2. **可插拔的 LLM**：支持替换不同的大语言模型
-3. **自定义示例库**：可根据特定领域扩展示例库
+1. **支持多种数据库**：通过 sqlglot 支持不同的 SQL 方言（T-SQL、MySQL、PostgreSQL 等）
+2. **可插拔的 LLM**：统一通过 `DeepSeekClient` 接口调用，支持替换不同的大语言模型
+3. **可配置的嵌入模型**：通过环境变量支持 OpenAI、ModelScope、DashScope 等多种嵌入 API
+4. **自定义示例库**：可根据特定领域扩展示例库，支持 Chroma 或 JSONL 格式
+5. **Schema 灵活加载**：支持从 JSON 文件或 G3SB 格式加载 Schema
+6. **意图分类可扩展**：支持 rules 和 hybrid 两种模式，可扩展更多分类策略
 
 ## 总结
 
-Text2SQL 算法通过多智能体协作、向量检索和大语言模型技术，实现了从自然语言到 SQL 的高效准确转换。算法流程清晰，逻辑完善，具有良好的可扩展性和可配置性，能够满足不同场景下的 SQL 生成需求。
+Text2SQL 算法通过模块化编排架构、向量检索、问句归一化和 Few-shot 学习技术，实现了从自然语言到 SQL 的高效准确转换。系统采用多层验证机制（程序校验 + 库上探针 + LLM 语义验证），配合智能探针分流策略，确保生成的 SQL 既正确又符合用户意图。算法流程清晰，逻辑完善，具有良好的可扩展性和可配置性，能够满足证券/期货等金融业务场景下的 SQL 生成需求。