Text-to-SQL на своём сервере позволяет задать вопрос базе ERP или CRM так, как вы написали бы коллеге, и получить цифру из собственных данных без облачного сервиса. Языковая модель на рабочей станции в офисе переводит вопрос на язык запросов SQL, база выполняет запрос от учетной записи, которой разрешено только чтение, а результат возвращается таблицей или графиком вместе с текстом запроса. Вопросы, структура таблиц и ответы при этом не покидают компанию. Для отдела контроллинга или продаж практичная отправная точка: одна NVIDIA RTX PRO 5000 Blackwell на 48 ГБ.

Типичные вопросы звучат так: «какие клиенты в этом квартале заказали меньше, чем в том же квартале прошлого года» или «открытые заказы выше определенной суммы в разрезе менеджеров». За каждым стоит несколько таблиц, которые нужно правильно соединить, и фильтр, который считает так, как принято именно у вас. Поиск по документам является отдельной задачей (см. статью о RAG на корпоративных данных): он находит фрагмент текста, а text-to-SQL вычисляет число, и ошибочный фильтр дает уверенную, но неверную цифру.

Коротко

  • Сильнее всего на результат влияет семантический слой: представления с понятными названиями, определения показателей и проверенные примеры.
  • На бенчмарке BIRD отдельная модель с открытыми весами, которая стоит в рейтинге выше всех, дает 74,12 % правильных результатов, люди 92,96 % (на 30.10.2026).
  • DB-GPT (MIT) и SQL-агент LangChain (MIT) работают с локальными моделями, а репозиторий Vanna в марте 2026 года архивирован.
  • По нашему правилу расчета RTX PRO 5000 Blackwell на 48 ГБ держит Qwen3.8-27B в 8 битах и 16 одновременных вопросов по 10 000 токенов, версия на 72 ГБ 44.
  • Безопасность обеспечивают права в базе: SELECT только на подготовленные представления, копия для отчетности, журнал каждого запроса.

Насколько точно модель пишет SQL

BIRD охватывает 95 баз данных и засчитывает ответ, если результат сгенерированного запроса совпадает с результатом эталонного.

Участник BIRD, тестовый набор Что оценивают Правильных результатов, %
Люди: инженеры данных и студенты, изучающие базы данных эталон 92,96
Первое место основного рейтинга (запись от 22.10.2026) система целиком 83,40
Gemini-SQL2 (Google) отдельная модель, без ссылки на веса 80,04
Kwai-AutoSQL-32B отдельная модель, веса на Hugging Face 74,12

Источник: лидерборд BIRD, состояние на 30.10.2026.

Даже с сильной открытой моделью примерно каждый четвертый ответ на публичном тесте ошибочен, а корпоративные базы обычно запутаннее BIRD. Инструмент все равно становится полезным, если соблюдать три правила:

  • показывать SQL с каждым ответом, чтобы человек, знающий данные, заметил неправильное соединение таблиц;
  • вести библиотеку проверенных вопросов с правильными запросами, которую инструмент использует как примеры;
  • помечать ответы из проверенного запроса иначе, чем новые.

Более сложный бенчмарк Spider 2.0 построен на корпоративных базах, где нередко больше 1 000 колонок. На его наборе Snowflake gpt-oss-120b в одном агентном фреймворке набрал 65,45, а в другом 13,10. То есть обвязка вокруг модели (как она видит схему, проверяет и исправляет запросы) значит не меньше самой модели.

Опубликованных измерений точности text-to-SQL для вопросов на украинском или русском мы не нашли, поэтому тестовый набор составляйте из того, как реально пишут ваши сотрудники, на обоих языках.

Семантический слой: ваши бизнес-термины для модели

Модель видит только названия таблиц и колонок. Даже понятные названия не объясняют, что в вашей компании считают выручкой, какие статусы заказа означают отмену и по какой дате заказ попадает в квартал. Этот пробел закрывает семантический слой: письменное описание данных на языке бизнеса, расположенное между базой и моделью. В нем сказано, что означает каждая таблица, какие соединения разрешены и по какой формуле считается каждый показатель.

Как выглядит такой слой, видно по контекстному слою WrenAI. Его язык моделирования (Modeling Definition Language) описывает модели, колонки, связи, представления, кубы и метрики, а два обычных файла, instructions.md и queries.yml, содержат перечни допустимых значений, единицы измерения, разрешенные соединения и определения. Обойтись можно и без WrenAI:

  1. ИТ-отдел создает в базе несколько представлений (views), то есть сохраненных запросов, которые выглядят как таблицы, с читаемыми названиями под важные вопросы: продажи по клиенту и месяцу, открытые заказы с ответственным менеджером.
  2. К каждой колонке дописывает одно предложение пояснения.
  3. Добавляет проверенные примеры вопросов с правильными запросами.

После этого модель обращается только к представлениям, а сырые таблицы ERP остаются вне ее досягаемости. От этого шага результат зависит сильнее, чем от выбора модели: двадцать определений и тридцать проверенных вопросов от контролера дают инструменту то, что знает опытный коллега. Слой хранят в Git, чтобы каждое изменение определений имело дату и проходило ревью.

Доступ только на чтение к базе ERP и CRM

Настоящая граница безопасности проходит через учетную запись, под которой инструмент входит в базу. Документация LangChain советует ограничивать права подключения настолько узко, насколько этого требует агент. Запрет менять данные в промпте остается предложением в тексте, а исполняют его только права в базе.

  1. Копия вместо рабочей системы. Запросы идут к реплике для отчетности или к хранилищу данных, чтобы тяжелый запрос не тормозил ввод заказов. Разрешает ли договор поддержки прямой доступ к базе ERP, уточните у поставщика системы.
  2. Отдельный пользователь только на чтение. Права SELECT на представления семантического слоя и больше ничего. В PostgreSQL default_transaction_read_only задает лишь значение по умолчанию, которое сессия может изменить, поэтому решают права; statement_timeout для этой учетной записи останавливает слишком долгие запросы.
  3. Правила на уровне строк. Если менеджер видит только своих клиентов, это правило живет в базе, и база должна знать, кто спрашивает: общая учетная запись видит все, что разрешено ее роли. Поэтому каждая команда получает собственную роль и собственное подключение в инструменте. В PostgreSQL представления создают с security_invoker = true, потому что по умолчанию они применяют правила строк своего владельца, а не того, кто спрашивает.
  4. Проверка и журнал. Один оператор SELECT на вопрос, ограничение количества строк, а в журнал записывают вопрос, SQL и пользователя.

Заметки о клиентах и свободные текстовые поля могут содержать инструкции, которые попадут в контекст модели (инъекция промпта). Что сможет сделать такая инструкция, ограничивают те же права в базе.

Данные клиентов в CRM остаются персональными данными и на собственном сервере. По Закону № 2297-VI обработка требует одного из шести оснований статьи 11 (согласие, договор, законный интерес и т. д.), а людям сообщают цель обработки и их права (статья 12). Собственный сервер убирает внешнего поставщика, но этих обязанностей не снимает, а решения с правовыми последствиями для человека не стоит отдавать только модели (статья 8 дает право на защиту от автоматизированного решения). Приближенный к GDPR законопроект № 8153 по состоянию на ноябрь 2026 года не принят. Это не юридическая консультация, детали подтвердит ваш юрист.

Открытые инструменты text-to-SQL: DB-GPT, LangChain, WrenAI, Vanna

Состояние этих проектов в течение 2026 года менялось, поэтому проверяйте его перед стартом.

Инструмент Лицензия Локальная модель Состояние на 30.10.2026
DB-GPT MIT vLLM, llama.cpp, OpenAI-совместимые серверы активен, последний релиз в июне 2026
SQL-агент LangChain MIT Ollama и другие через интеграции поддерживаемый фреймворк, не приложение
WrenAI ядро Apache 2.0, интерфейс коммерческий в README не назван не архивирован, открытая часть для AI-агентов
Vanna MIT Ollama в списке архивирован 29.03.2026, только чтение

Источник: репозитории и README на GitHub (Vanna, WrenAI, DB-GPT, LangChain), страница релизов DB-GPT, руководство LangChain «Build a SQL agent» и страница ChatOllama; прочитано 30.10.2026.

DB-GPT под MIT называет себя «open-source agentic AI data assistant»: принимает вопросы на естественном языке, пишет SQL, строит графики, дашборды и отчеты. Веб-интерфейс работает на порту 5670. Об учетных записях и правах пользователей README ничего не говорит, поэтому доступ ставят перед ним: корпоративный вход или прокси с аутентификацией, как для чат-интерфейсов в статье о приватной альтернативе ChatGPT.

SQL-агент LangChain представляет собой руководство со строительными блоками для разработчиков, а не готовое приложение. Агент читает список и структуру таблиц, составляет запрос, дает модели его проверить, выполняет, после ошибки исправляет и отвечает. Системный промпт запрещает DML-операторы (INSERT, UPDATE, DELETE, DROP и т. д.), а HumanInTheLoopMiddleware может останавливать агента перед каждым запросом, пока человек его не одобрит. Примеры в руководстве работают с облачными моделями, но интеграция ChatOllama поддерживает вызов инструментов с локальной моделью.

WrenAI описывает себя как GenBI для AI-агентов с управляемым text-to-SQL через открытый контекстный слой. Под Apache 2.0 открыты движок, SDK и навыки, а безопасность на уровне строк и колонок, управление пользователями, интерфейс GenBI, дашборды и встраивание отмечены как коммерческие.

Vanna («Chat with your SQL database») успела выйти в версии 2.0 с готовым чат-компонентом, но 29 марта 2026 года владелец архивировал репозиторий. Исправлений он больше не получит, так что для новых проектов его брать не стоит.

Какая локальная модель пишет SQL

Модели бывают двух типов. Дообученные под SQL, например Kwai-AutoSQL-32B (веса под Apache 2.0) или Arctic-Text2SQL-R1-7B от Snowflake (Apache 2.0, 68,5 на тестовом наборе BIRD по карточке модели), превращают вопрос и определения таблиц в один запрос. Агентам вроде DB-GPT или SQL-агента LangChain нужна модель общего назначения с вызовом инструментов: gpt-oss-20b, gpt-oss-120b (обе Apache 2.0) или Qwen3.8-27B (Apache 2.0, август 2026), карточка которой SQL-бенчмарков не приводит. Сравнение этих моделей на схемах, похожих на вашу, не публиковали, так что решает ваш тест.

Qwen3.8-27B рассуждает перед ответом: карточка по умолчанию ставит самый высокий уровень рассуждения, а для шагов SQL средний или низкий сокращает ожидание. Скорость одного ответа зависит от пропускной способности памяти и объема данных, прочитанных на каждый токен. RTX PRO 5000 дает 1 344 ГБ/с, а 27B-модель в 8 битах читает около 28 ГБ на токен, так что верхняя граница, по нашей оценке, около 47 токенов/с. Агенту, который на каждом из четырех шагов пишет по 500 токенов, понадобится минимум около 43 секунд (тоже наша оценка).

Какая видеокарта нужна для text-to-SQL

Считаем по нашему правилу: 90 % памяти, которую показывает драйвер, минус 3 ГиБ на карту, минус веса модели, а остаток идет на вопросы в обработке. Токен означает слово или его часть. Один вопрос с инструкциями, выбранными представлениями, примерами и шагами агента в этом примере занимает около 10 000 токенов. Кэш берем 16-битный, как его по умолчанию держит Ollama.

Уровень Карта Модель и веса Вопросов одновременно Для кого
Начальный 1 × RTX PRO 4000 Blackwell, 24 ГБ gpt-oss-20b, 12,8 ГиБ 24 одна команда, несколько представлений
Основной 1 × RTX PRO 5000 Blackwell, 48 ГБ Qwen3.8-27B 8 бит, 27,9 ГиБ 16 контроллинг и продажи
С запасом 1 × RTX PRO 5000 Blackwell, 72 ГБ Qwen3.8-27B 8 бит, 27,9 ГиБ 44 несколько отделов
Средний 1 × RTX PRO 6000 Workstation Edition или Max-Q, 96 ГБ gpt-oss-120b, 60,8 ГиБ 64 более крупная модель, вся компания

Источник: наша оценка по правилу расчета (полезная память 18,5; 40,0; 61,5 и 83,0 ГиБ); веса по тегам Ollama (qwen3.8 q8_0, 30 ГБ) и файлам gpt-oss на Hugging Face; 16-битный кэш на токен: 24 КиБ для gpt-oss-20b, 64 КиБ плюс 0,14 ГиБ фиксированного состояния для Qwen3.8-27B, 36 КиБ для gpt-oss-120b; кэш FP8 в vLLM вмещает больше вопросов; не измерения.

Вопросы в обработке не равны пользователям: десять руководителей редко спрашивают в одну и ту же секунду, так что каждое число обслуживает команду побольше. BI-команде с большим хранилищем данных нужен сервер с RTX PRO 6000 Server Edition или H200 NVL. Общие формулы расчета памяти собраны в статье о видеопамяти под LLM. Конфигурацию под ваш тип базы, количество таблиц и пользователей ETE рассчитывает от реальной нагрузки.

Пилот на одной предметной области

Соберите от 50 до 100 настоящих вопросов от будущих пользователей, а правильный ответ на каждый пусть проверит тот, кто знает данные. Под эти вопросы постройте представления и определения, прогоните их через каждую модель-кандидата в одном инструменте и посчитайте правильные результаты, ошибочные и отказы. Повторяйте тест после каждого изменения модели, промпта или представлений.

Пилот на одной области, например продажах, показывает, можно ли доверять ответам, до того как добавятся другие. Переход от одной станции к общему серверу для нескольких отделов описан в статье о сервере приватного ChatGPT под размер компании. Установку модели, DB-GPT и доступа к базе только на чтение могут взять на себя инженеры Vixen.UNO.

Частые вопросы

Поддерживается ли еще Vanna AI?

Нет: репозиторий vanna-ai/vanna на GitHub архивирован 29 марта 2026 года (состояние на 30.10.2026). Код под MIT доступен, но исправлений не будет. Поддерживаемые альтернативы с локальными моделями: DB-GPT и SQL-агент LangChain.

Насколько точен text-to-SQL?

На BIRD люди дают 92,96 % правильных результатов, отдельная модель с открытыми весами, которая стоит в рейтинге выше всех, 74,12 %, а первая система основного рейтинга 83,40 % (на 30.10.2026). Показывайте сгенерированный SQL с каждым ответом и ведите библиотеку проверенных вопросов.

Как задавать вопросы базе данных на естественном языке без облака?

Подключите инструмент text-to-SQL, например DB-GPT или SQL-агент LangChain, к модели на собственной рабочей станции через vLLM или Ollama и дайте ему учетную запись базы только на чтение. Модель пишет SQL, база его выполняет, а вы видите ответ вместе с запросом. Точность на вопросах на украинском или русском проверьте на собственном пилотном наборе.

Какая видеокарта нужна для text-to-SQL с локальной моделью?

По нашему правилу расчета RTX PRO 4000 Blackwell на 24 ГБ запускает gpt-oss-20b с 24 одновременными вопросами, RTX PRO 5000 на 48 ГБ держит Qwen3.8-27B в 8 битах с 16, версия на 72 ГБ с 44. Для BI-команды с большим хранилищем нужен сервер.

Может ли ИИ изменить или удалить данные в базе?

Нет, если его учетная запись имеет право только на чтение. Дайте SELECT на выбранные представления, работайте с копией для отчетности и отклоняйте любой сгенерированный оператор, который не является одним SELECT. Запрет в промпте сам по себе защитой не является.

Что из этого есть в ETE

Нужна станция для вопросов к вашей базе?

Пришлите тип базы данных, количество таблиц, сколько человек будет спрашивать и десять вопросов, которые задает ваша команда, на тех языках, на которых их пишут. ETE рассчитает конфигурацию, а при необходимости инженеры Vixen.UNO установят модель, DB-GPT и настроят доступ только на чтение.

Обсудить задачу

Автор: Инженер ETE