在生产环境中实现高精度Text-to-SQL的关键：自适应上下文引擎

大多数AI系统在演示中表现出色，但在生产环境中却失败。对于Text-to-SQL来说，问题几乎不在于模型，而在于上下文。表名会更改，业务定义会漂移，“收入”列对财务和销售部门可能意味着不同的东西。如果没有正确的上下文，模型就无法知道。WisdomAI构建的自适应上下文引擎（ACE）解决了这个上下文挑战。ACE将上下文视为一级工程系统，能够随着数据、用户和业务逻辑的变化而适应和演进。它从现有资源引导，从每次交互中持续学习，并在复杂性增长时保持一致性。

ACE的自动学习机制包括三个关键问题：从现有碎片化来源引导、从用户交互中持续学习、以及保持上下文无冲突。在引导阶段，ACE从数据库模式、爬取的数据样本和数据仓库查询日志中自动生成上下文，每个上下文片段都带有置信度分数。管理员可以自动接受高置信度上下文或手动审查边缘情况。用户还可以直接从代码和数据管道（如dbt、LookML）、知识库文档或MCP来源（如SaaS应用和网页）中注入上下文。持续学习方面，当用户提供反馈（点赞、点踩或自由文本纠正）时，ACE根据信号类型决定如何处理。结构良好的反馈会被原样记忆；模糊反馈则会触发状态空间探索，系统离线生成多个候选SQL，针对反馈信号进行评估，并存储最自信的一个。每个新上下文片段在存储前都会与现有片段进行交叉检查。冲突解决是另一个关键问题。例如，“收入”可能以两种不同方式定义，导致同一问题每次查询得到不同答案。WisdomAI自动检测这些冲突并向管理员提出修复建议。

在基准测试方面，文章指出BIRD-SQL不适合企业分析，因为其包含错误的参考SQL、查询过于简化，且上下文已经包含在问题中。WisdomAI使用内部评估和LiveSQLBench基准。在LiveSQLBench的5个数据集上，基线准确率为20%，经过知识库文件引导后达到50%，再通过上下文学习提升至85%。在生产中，人工审查通常将准确率推至95%以上。具体例子包括：在太阳能面板数据集上，通过上下文学习纠正了错误的行选择逻辑和业务逻辑（如维修成本公式）。此外，还发现了数据集中的质量问题。本文是WisdomAI工程博客系列的第一篇，后续将涵盖主动代理、上下文提取代理、延迟优化、安全与隐私控制等主题。