Aloudata CAN SKILLS - text-to-sql-query

直接通过 Text-to-SQL 方式查询零售数据库。根据用户自然语言描述，生成 SQL 查询语句并执行。本 Skill 不依赖语义层或指标平台，而是直接基于数据库 schema 生成 SQL。触发场景：用户需要查询零售数据、生成 SQL 查询、分析销售/客户/商品数据时使用。

jackyujun@jackyujun

Install

openclaw skills install @jackyujun/text-to-sql-query

Text-to-SQL 数据查询 Skill

根据用户自然语言描述，直接生成 SQL 查询语句，通过 Gateway JDBC SQL 直查接口在零售数据库上执行并返回结果。

执行模式

强模型（Claude Opus/Sonnet, GPT-4o/5）：遵循"原则"段落，自行决定实现细节
标准模型（Qwen, DeepSeek, Llama）：严格按"模板"段落执行，使用提供的代码块，不要自行改写

如果你不确定自己属于哪个类别，请按"标准模型"模式执行。

0. 查询接口信息

通过 Gateway JDBC SQL 直查接口执行 SQL 查询。API Key 通过环境变量 $CAN_API_KEY 注入，禁止在 Skill 文件中硬编码。

0.1 接口地址

text

POST https://gateway.can.aloudata.com/api/jdbc/query
Content-Type: application/json
X-API-Key: $CAN_API_KEY

请求体：

json

{"sql": "SELECT ... FROM table_name WHERE ... LIMIT N"}

0.2 执行方式

方式一：curl（推荐，适合 Bash 环境）

bash

curl --noproxy '*' -s \
  -H "X-API-Key: $CAN_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST "https://gateway.can.aloudata.com/api/jdbc/query" \
  -d '{"sql": "YOUR SQL HERE"}'

方式二：Python requests

python

import os, requests

response = requests.post(
    "https://gateway.can.aloudata.com/api/jdbc/query",
    headers={
        "X-API-Key": os.environ["CAN_API_KEY"],
        "Content-Type": "application/json"
    },
    json={"sql": "YOUR SQL HERE"}
)
print(response.text)  # 返回 Markdown 表格（纯文本）

多行 SQL 示例（curl heredoc）：

bash

curl --noproxy '*' -s \
  -H "X-API-Key: $CAN_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST "https://gateway.can.aloudata.com/api/jdbc/query" \
  -d @- <<'EOF'
{"sql": "SELECT o.dt, o.order_number, p.style_name, s.shop_name, o.retail_amount FROM fact_orders o JOIN dim_product p ON o.sku = p.sku JOIN dim_shop s ON o.shop_code = s.tr_shop_code WHERE o.dt >= '2024-01-01' ORDER BY o.dt DESC LIMIT 20"}
EOF

0.3 返回格式

成功时返回 Markdown 表格（纯文本，非 JSON）：

text

| sku | style_name | color_name | tag_price |
| --- | --- | --- | --- |
| SKU1000211 | 泡泡袖衬衫春秋款 | 白色 | 118.8600 |
| SKU1000222 | 背带裤明星同款 | 灰色 | 439.1300 |
2 row(s) returned.

错误时返回纯文本错误信息：

SQL validation error: Table not allowed: xxx — 查询了白名单以外的表
SQL validation error: Only SELECT statements are allowed — 非 SELECT 语句
Query error: Query timed out after 30 seconds — 查询超时

0.4 安全限制

只允许 SELECT：INSERT/UPDATE/DELETE/DROP 等写操作会被拒绝
表白名单：只允许查询 §1.1 中的 6 张表（dim_product, dim_vip, dim_shop, fact_orders, fact_inventory, fact_product_launch），查询其他表会返回 Table not allowed 错误
禁止多语句：不能用分号拼接多条 SQL
自动加 LIMIT：未指定 LIMIT 时服务端自动追加 LIMIT 1000
查询超时：默认 30 秒超时
UNION 默认禁止

1. 数据库 Schema

1.1 表结构总览

本数据库采用星型模型，包含 3 张事实表 + 3 张维度表。

表名	类型	说明
fact_orders	事实表	订单明细，每行一笔订单行项目
fact_inventory	事实表	库存快照，每行一个 SKU 在某门店/仓库的库存状态
fact_product_launch	事实表	商品上市记录，每行一个 SKU 在某门店的上市信息
dim_product	维度表	商品维度，SKU 级商品属性
dim_shop	维度表	店铺维度，门店属性及地理信息
dim_vip	维度表	会员维度，会员属性信息

1.2 事实表字段

fact_orders（订单事实表）

字段名	类型	说明
pay_time	varchar	支付时间
delivery_date	varchar	发货日期
dt	date	数据日期（分区键，用于时间筛选）
sku	varchar	SKU 编码（关联 dim_product）
shop_code	varchar	接单门店编码（关联 dim_shop.tr_shop_code）
delivery_shop_code	varchar	发货门店编码
vip_id	bigint	会员 ID（关联 dim_vip）
vip_code	varchar	会员编码
seller_id	varchar	导购 ID
seller_code	varchar	导购编码
seller_name	varchar	导购姓名
warehouse_code	varchar	仓库编码
order_number	varchar	订单号
source_system_code	varchar	来源系统编码
order_platform_code	varchar	订单平台编码
retail_amount	decimal(38,9)	零售金额（吊牌价口径）
retail_quantity	bigint	零售数量
retail_market_value	decimal(38,9)	零售市值（吊牌额）
return_amount	decimal(38,9)	退货金额
return_quantity	bigint	退货数量
return_market_value	decimal(38,9)	退货市值
net_market_value	decimal(38,9)	净市值
net_quantity	bigint	净数量（零售数量 - 退货数量）
net_amount	decimal(38,9)	净金额（零售金额 - 退货金额）
unshipped_refund_quantity	bigint	未发货退款数量
unshipped_refund_amount	decimal(38,9)	未发货退款金额
shipped_refund_amount	decimal(38,9)	已发货退款金额
return_refund_quantity	bigint	退货退款数量
return_refund_amount	decimal(38,9)	退货退款金额

fact_inventory（库存事实表）

字段名	类型	说明
unit_code	varchar	单位编码
unit_name	varchar	单位名称
warehouse_code	varchar	仓库编码
warehouse_name	varchar	仓库名称
shop_code	varchar	门店编码（关联 dim_shop.tr_shop_code）
sku	varchar	SKU 编码（关联 dim_product）
skc	varchar	SKC 编码（款色）
color_code	varchar	颜色编码
color_name	varchar	颜色名称
spec_code	varchar	规格编码
spec_name	varchar	规格名称
style_code	varchar	款式编码
style_name	varchar	款式名称
stock_quantity	int	库存数量
stock_cost	decimal(20,4)	库存成本
stock_market_value	decimal(20,4)	库存市值（吊牌价口径）
stock_quantity_onroad	int	在途库存数量
stock_cost_onroad	decimal(20,4)	在途库存成本
stock_market_value_onroad	decimal(38,4)	在途库存市值
stock_quantity_onord	int	在单库存数量
stock_cost_onord	decimal(20,4)	在单库存成本
stock_market_value_onord	decimal(29,4)	在单库存市值
stock_date	date	库存日期
snapshot_date	date	快照日期（用于时间筛选）
discount_rate	decimal(38,9)	折扣率

fact_product_launch（商品上市事实表）

字段名	类型	说明
store_code	varchar	门店编码（关联 dim_shop.tr_shop_code）
sku	varchar	SKU 编码（关联 dim_product）
skc	varchar	SKC 编码（款色）
zprod_code	varchar	商品编码
brand_code	varchar	品牌编码
brand_name	varchar	品牌名称
launch_date	date	上市日期
prod_year	varchar	商品年份
prod_season	varchar	商品季节
dt	varchar	数据日期

1.3 维度表字段

dim_product（商品维度表）

字段名	类型	说明
sku	varchar	SKU 编码（主键）
skc	varchar	SKC 编码（款色）
product_sc_type	varchar	商品小类
product_sc_type_code	varchar	商品小类编码
mid_category	varchar	中类
mid_category_code	varchar	中类编码
little_category	varchar	小类
little_category_code	varchar	小类编码
style_code	varchar	款式编码
style_name	varchar	款式名称
age_group	varchar	年龄段
age_group_code	varchar	年龄段编码
brand_id	int	品牌 ID
color_code	varchar	颜色编码
color_name	varchar	颜色名称
come_up_batch	varchar	上市批次
gender	varchar	性别
gender_code	varchar	性别编码
price_level	varchar	价格带
product_brand_code	varchar	商品品牌编码
product_brand_name	varchar(255)	商品品牌名称
product_hierarchy	varchar	商品层级
product_position_code	varchar	商品定位编码
real_market_date	varchar	实际上市日期
product_year	smallint	商品年份
product_season	varchar	商品季节
season	varchar	季节
season_code	varchar	季节编码
coefficient	varchar	系数
sub_brand_id	varchar(255)	子品牌 ID
tag_price	decimal(20,4)	吊牌价
new_arrival_price	decimal(38,9)	新品价
dt	date	数据日期

dim_shop（店铺维度表）

字段名	类型	说明
tr_shop_code	varchar	门店编码-数仓 Key（主键，用于与事实表 JOIN）
shop_code	varchar	门店编码（业务编码）
shop_id	bigint	门店 ID
shop_brand_id	bigint	门店品牌 ID
shop_leader	varchar	店长姓名
shop_leader_code	varchar	店长编码
shop_status	varchar	门店状态
shop_status_code	varchar	门店状态编码
province	varchar	省份
province_id	bigint	省份 ID
city	varchar	城市
city_id	bigint	城市 ID
city_grade	varchar	城市等级
city_grade_id	bigint	城市等级 ID
district	varchar	区县
address	varchar	地址
shop_name	varchar	门店名称
business_area	int	营业面积
business_district_level	varchar	商圈等级
business_district_level_code	varchar	商圈等级编码
first_channel	varchar	一级渠道
first_channel_id	bigint	一级渠道 ID
first_channel_code	varchar	一级渠道编码
second_channel	varchar	二级渠道
second_channel_id	bigint	二级渠道 ID
second_channel_code	varchar	二级渠道编码
channel_type_id	bigint	渠道类型 ID
opening_date	varchar	开店日期
closing_date	varchar	闭店日期
dt	date	数据日期

dim_vip（会员维度表）

字段名	类型	说明
dt	date	数据日期
vip_id	bigint	会员 ID（主键）
vip_code	varchar	会员编码
vip_name	varchar	会员姓名
vip_level	varchar	会员等级
vip_level_code	varchar	会员等级编码
vip_status	varchar	会员状态
vip_status_code	varchar	会员状态编码
vip_reg_date	varchar	注册日期
vip_last_login_date	varchar	最后登录日期

1.4 表间关系（JOIN 规范）

text

-- 订单表关联维度表
fact_orders.sku = dim_product.sku
fact_orders.shop_code = dim_shop.tr_shop_code
fact_orders.vip_id = dim_vip.vip_id

-- 库存表关联维度表
fact_inventory.sku = dim_product.sku
fact_inventory.shop_code = dim_shop.tr_shop_code

-- 商品上市表关联维度表
fact_product_launch.sku = dim_product.sku
fact_product_launch.store_code = dim_shop.tr_shop_code

⚠️ JOIN 关键注意事项：

dim_shop 的主键是 tr_shop_code（数仓 Key），不是 shop_code（业务编码）。事实表中的 shop_code / store_code 对应的是 dim_shop.tr_shop_code
dim_vip 的主键是 vip_id（bigint），与 fact_orders 的 vip_id 关联
dim_product 的主键是 sku，三张事实表都通过 sku 字段关联
本数据库没有独立的日期维度表，时间筛选直接使用事实表的 dt（date 类型）或 snapshot_date 字段

常用 SQL 查询模板（标准模型：直接复制修改）

模板 1：上月某指标的汇总值

sql

SELECT
    SUM(retail_amount) AS total_sales
FROM fact_orders
WHERE dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
  AND dt < DATE_FORMAT(CURDATE(), '%Y-%m-01');

模板 2：上月各渠道的销售额及环比

sql

WITH current_month AS (
    SELECT
        ds.first_channel,
        SUM(fo.retail_amount) AS sales
    FROM fact_orders fo
    JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
    WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
      AND fo.dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')
    GROUP BY ds.first_channel
),
previous_month AS (
    SELECT
        ds.first_channel,
        SUM(fo.retail_amount) AS sales
    FROM fact_orders fo
    JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
    WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 2 MONTH), '%Y-%m-01')
      AND fo.dt < DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
    GROUP BY ds.first_channel
)
SELECT
    c.first_channel,
    c.sales AS current_sales,
    p.sales AS previous_sales,
    (c.sales - p.sales) / NULLIF(p.sales, 0) AS mom_growth
FROM current_month c
LEFT JOIN previous_month p ON c.first_channel = p.first_channel
ORDER BY c.sales DESC;

模板 3：Top-N 品牌排名

sql

SELECT
    dp.product_brand_name,
    SUM(fo.retail_amount) AS total_sales,
    COUNT(DISTINCT fo.order_number) AS order_count,
    SUM(fo.retail_amount) / NULLIF(COUNT(DISTINCT fo.vip_id), 0) AS aov
FROM fact_orders fo
JOIN dim_product dp ON fo.sku = dp.sku
WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
  AND fo.dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')
GROUP BY dp.product_brand_name
ORDER BY total_sales DESC
LIMIT 10;

模板 4：某维度在全局的占比

sql

SELECT
    ds.first_channel,
    SUM(fo.retail_amount) AS channel_sales,
    SUM(fo.retail_amount) / SUM(SUM(fo.retail_amount)) OVER () AS sales_proportion
FROM fact_orders fo
JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
  AND fo.dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')
GROUP BY ds.first_channel
ORDER BY channel_sales DESC;

模板 5：日趋势查询

sql

SELECT
    fo.dt,
    SUM(fo.retail_amount) AS daily_sales
FROM fact_orders fo
WHERE fo.dt >= DATE_SUB(CURDATE(), INTERVAL 30 DAY)
  AND fo.dt < CURDATE()
GROUP BY fo.dt
ORDER BY fo.dt;

⚠️ StarRocks 兼容性提示：StarRocks 兼容 MySQL 语法，但注意：

使用 DATE_FORMAT、DATE_SUB、CURDATE() 等标准函数

窗口函数（OVER()）完全支持

NULLIF 用于避免除零错误

2. 语义理解（SQL 生成前必做）

在写任何 SQL 之前，先把用户的问题拆解为四个维度：

维度	问自己	示例
看什么（指标）	用户要看的业务量是什么？	"销售额""客单价""库存量"
怎么看（分析方式）	直接看值？还是要对比/占比/排名/趋势？	"同比增长率""占比""排名前5""月趋势"
看谁的（维度 & 筛选）	按什么维度拆分？筛选哪些范围？	"各品牌""某渠道""某地区"
看哪段时间（时间）	时间范围是什么？	"上月""近7天""某月 vs 另一月"

2.1 从 Schema 推断指标

本数据库没有统一的指标定义层。你需要根据 §1 中的表结构和字段说明，自行推断用户业务术语对应的 SQL 写法。

⚠️ 这是 Text-to-SQL 最容易出错的环节。以下是常见的歧义陷阱，务必留意：

陷阱 A — 金额口径歧义：fact_orders 中有多个金额字段（retail_amount、net_amount、retail_market_value 等），用户说"销售额"时到底指哪个？不同口径的差异可能很大。当无法确定时，应在查询解读中说明你采用的口径。

陷阱 B — 复合指标的计算方式：像"客单价""连带率""件单价""折扣率""退货率"这类复合指标，需要你根据业务含义自行组合字段计算。同一个术语可能有多种合理的计算方式（例如"客单价"的分母是人数还是单数？），不同算法的结果可能相差数十倍。

陷阱 C — 跨表指标：有些指标可能涉及多张表的数据（如库存相关指标在 fact_inventory，销售相关在 fact_orders）。注意判断指标来自哪张表，不要在错误的表上查询。

陷阱 D — 数据库能力边界：本数据库是零售订单、库存和商品数据，不包含所有业务数据。如果用户询问的指标在现有表中找不到对应字段，应如实告知，不要强行拼凑。

2.2 关键语义消歧规则

规则 A — "总和" vs "分别"

用户说	含义	GROUP BY
"A 和 B 的某指标分别是多少"	按 A、B 分组展示	保留分组
"A 和 B 的某指标总和"	A+B 合并为一个数字	不分组
"A 和 B 的某指标"（无修饰）	默认"分别"	保留分组

规则 B — "占比" 的两种含义

用户说	含义	SQL 实现
"某指标占比"（如"销售额占比"）	值占比	`SUM(x) / SUM(SUM(x)) OVER()`
"某实体占比"（如"款色占比"）	数量占比	`COUNT(DISTINCT entity) / (SELECT COUNT(DISTINCT entity) FROM ...)`

规则 C — "同比" vs "环比"

用户说	含义	SQL 实现
"同比"（无限定）	年同比 (YoY)	与去年同期对比
"月同比"	与上月同期对比	上个月的同日/同周
"环比"	与上一个周期对比	根据粒度：日→前一天，月→前一月

规则 D — 简单优先

如果用户问题可以用简单 SQL 回答，就不要写复杂的 CTE 和窗口函数。

3. SQL 生成规范

3.1 JOIN 规则

只 JOIN 需要的表，不要多余 JOIN
使用 LEFT JOIN 保证事实表数据不丢失
维度表字段用于 SELECT/WHERE/GROUP BY 时才 JOIN 对应维度表
dim_shop 关联用 tr_shop_code，不要用 shop_code

sql

-- 示例：按一级渠道查销售额
SELECT ds.first_channel, SUM(fo.retail_amount) AS retail_amt
FROM fact_orders fo
LEFT JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
WHERE fo.dt >= '2026-02-01' AND fo.dt < '2026-03-01'
GROUP BY ds.first_channel
ORDER BY retail_amt DESC;

sql

-- 示例：按品牌查销售额
SELECT dp.product_brand_name, SUM(fo.retail_amount) AS retail_amt
FROM fact_orders fo
LEFT JOIN dim_product dp ON fo.sku = dp.sku
WHERE fo.dt >= '2026-02-01' AND fo.dt < '2026-03-01'
GROUP BY dp.product_brand_name
ORDER BY retail_amt DESC;

sql

-- 示例：按会员等级查购买人数
SELECT dv.vip_level, COUNT(DISTINCT fo.vip_id) AS vip_count
FROM fact_orders fo
LEFT JOIN dim_vip dv ON fo.vip_id = dv.vip_id
WHERE fo.dt >= '2026-02-01' AND fo.dt < '2026-03-01'
GROUP BY dv.vip_level
ORDER BY vip_count DESC;

3.2 时间处理

时间字段说明：

fact_orders 用 dt（date 类型）做时间筛选
fact_inventory 用 snapshot_date（date 类型）做时间筛选
fact_product_launch 用 launch_date（date 类型）做时间筛选

相对时间转换：

用户说	WHERE 条件
上月	`dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01') AND dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')`
本月	`dt >= DATE_FORMAT(CURDATE(), '%Y-%m-01') AND dt < DATE_ADD(DATE_FORMAT(CURDATE(), '%Y-%m-01'), INTERVAL 1 MONTH)`
昨天	`dt = DATE_SUB(CURDATE(), INTERVAL 1 DAY)`
近7天	`dt >= DATE_SUB(CURDATE(), INTERVAL 7 DAY) AND dt < CURDATE()`
近30天	`dt >= DATE_SUB(CURDATE(), INTERVAL 30 DAY) AND dt < CURDATE()`
本年	`dt >= DATE_FORMAT(CURDATE(), '%Y-01-01')`
去年	`dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 YEAR), '%Y-01-01') AND dt < DATE_FORMAT(CURDATE(), '%Y-01-01')`

3.3 同环比计算

同环比需要用 CTE 或子查询分别获取两个时期的数据再对比：

sql

-- 月环比示例：上月 vs 上上月整体销售额
WITH current_month AS (
    SELECT SUM(retail_amount) AS current_val
    FROM fact_orders
    WHERE dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
      AND dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')
),
previous_month AS (
    SELECT SUM(retail_amount) AS previous_val
    FROM fact_orders
    WHERE dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 2 MONTH), '%Y-%m-01')
      AND dt < DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
)
SELECT
    cm.current_val,
    pm.previous_val,
    cm.current_val - pm.previous_val AS change_value,
    (cm.current_val - pm.previous_val) / NULLIF(pm.previous_val, 0) AS growth_rate
FROM current_month cm, previous_month pm;

按维度拆分的同环比更加复杂，需要用 FULL JOIN：

sql

-- 各渠道月环比
WITH current_month AS (
    SELECT ds.first_channel, SUM(fo.retail_amount) AS current_val
    FROM fact_orders fo
    LEFT JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
    WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
      AND fo.dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')
    GROUP BY ds.first_channel
),
previous_month AS (
    SELECT ds.first_channel, SUM(fo.retail_amount) AS previous_val
    FROM fact_orders fo
    LEFT JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
    WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 2 MONTH), '%Y-%m-01')
      AND fo.dt < DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
    GROUP BY ds.first_channel
)
SELECT
    COALESCE(cm.first_channel, pm.first_channel) AS `一级渠道`,
    cm.current_val AS `本月销售金额`,
    pm.previous_val AS `上月销售金额`,
    (cm.current_val - pm.previous_val) / NULLIF(pm.previous_val, 0) AS `月环比增长率`
FROM current_month cm
FULL JOIN previous_month pm ON cm.first_channel = pm.first_channel
ORDER BY `月环比增长率` DESC;

3.4 占比计算

sql

-- 各渠道销售额占比
SELECT
    ds.first_channel,
    SUM(fo.retail_amount) AS retail_amt,
    SUM(fo.retail_amount) / SUM(SUM(fo.retail_amount)) OVER() AS proportion
FROM fact_orders fo
LEFT JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
  AND fo.dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')
GROUP BY ds.first_channel
ORDER BY retail_amt DESC;

3.5 排名计算

sql

-- 品牌销售额 TOP 5
SELECT
    dp.product_brand_name,
    SUM(fo.retail_amount) AS retail_amt,
    RANK() OVER(ORDER BY SUM(fo.retail_amount) DESC) AS rk
FROM fact_orders fo
LEFT JOIN dim_product dp ON fo.sku = dp.sku
WHERE fo.dt >= DATE_FORMAT(DATE_SUB(CURDATE(), INTERVAL 1 MONTH), '%Y-%m-01')
  AND fo.dt < DATE_FORMAT(CURDATE(), '%Y-%m-01')
GROUP BY dp.product_brand_name
ORDER BY retail_amt DESC
LIMIT 5;

4. 输出规范

每次执行查询时，必须按以下三段式结构向用户展示信息，缺一不可，顺序不可颠倒：

4.1 📊 查询解读（自然语言，放在最前面）

用一段自然语言向用户解释"查了什么、怎么查的"，让非技术用户也能理解查询含义。

写作要求：

用一段连贯的话描述，不要用列表
涵盖以下要素：查了什么指标、什么时间范围、按什么维度拆分、有什么筛选条件、做了什么计算
简单查询简短说（1~2句），复杂查询可以多说几句

4.2 📋 SQL 查询语句

展示完整的、格式化的 SQL 语句：

sql

SELECT ...
FROM ...
WHERE ...
GROUP BY ...
ORDER BY ...;

4.3 📈 查询结果

以表格形式展示查询返回的数据结果。列名使用中文展示名。

4.4 完整输出示例

示例 A — 简单查询：用户问"上月的销售额是多少？"

📊 查询解读

帮你查询了上月（2026年2月）的零售金额（retail_amount 求和），查的是整体总量，没有按维度拆分。

📋 SQL 查询语句：

sql

SELECT SUM(retail_amount) AS `零售金额`
FROM fact_orders
WHERE dt >= '2026-02-01' AND dt < '2026-03-01';

📈 查询结果：上月（2026年2月）的零售金额为 12,345,678 元。

示例 B — 带维度和环比的复杂查询：用户问"上月各渠道的销售额及月环比增长率，增速前5名是哪些？"

📊 查询解读

帮你查询了上月（2026年2月）各一级渠道的零售金额（retail_amount 求和），并用 CTE 分别计算了本月和上月的数据后做对比，得出月环比增长率。结果按环比增长率从高到低排列，取前 5 名。

📋 SQL 查询语句：

sql

WITH current_month AS (
    SELECT ds.first_channel, SUM(fo.retail_amount) AS current_val
    FROM fact_orders fo
    LEFT JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
    WHERE fo.dt >= '2026-02-01' AND fo.dt < '2026-03-01'
    GROUP BY ds.first_channel
),
previous_month AS (
    SELECT ds.first_channel, SUM(fo.retail_amount) AS previous_val
    FROM fact_orders fo
    LEFT JOIN dim_shop ds ON fo.shop_code = ds.tr_shop_code
    WHERE fo.dt >= '2026-01-01' AND fo.dt < '2026-02-01'
    GROUP BY ds.first_channel
)
SELECT
    COALESCE(cm.first_channel, pm.first_channel) AS `一级渠道`,
    cm.current_val AS `本月零售金额`,
    pm.previous_val AS `上月零售金额`,
    (cm.current_val - pm.previous_val) / NULLIF(pm.previous_val, 0) AS `月环比增长率`
FROM current_month cm
FULL JOIN previous_month pm ON cm.first_channel = pm.first_channel
ORDER BY `月环比增长率` DESC
LIMIT 5;

📈 查询结果：

一级渠道	本月零售金额	上月零售金额	月环比增长率
电商	5,234,567	4,426,012	+18.3%
直营	3,456,789	3,083,754	+12.1%
...	...	...	...

5. SQL 生成流程

步骤 0：语义解析

按 §2 将用户问题拆解为"看什么 / 怎么看 / 看谁的 / 看哪段时间"四维度。检查 §2.2 的消歧规则。

步骤 1：确定指标和表

根据 §2.1 的映射表，确定需要的 SQL 聚合表达式
确定涉及哪些事实表（fact_orders / fact_inventory / fact_product_launch）
⚠️ 当指标存在歧义时（如"销售额"可能是 retail_amount 或 net_amount，"客单价"有多种算法），应在查询解读中说明所采用的口径，或主动询问用户

步骤 2：确定维度和 JOIN

根据用户需要的分组维度，确定需要 JOIN 哪些维度表
按 §1.4 的关系进行 JOIN
特别注意：渠道/地区维度在 dim_shop 中，品类/品牌维度在 dim_product 中，会员维度在 dim_vip 中

步骤 3：构建时间条件

按 §3.2 将用户的时间描述转为 WHERE 条件
用户未指定时间时的默认策略：
- 有同环比 → 默认上月
- 有趋势 → 默认近12个月
- 有排名/TOP-N → 默认上月
- 其他 → 默认近7天

步骤 4：构建聚合和计算

同环比 → CTE 分两期查询再 JOIN（§3.3）
占比 → 窗口函数（§3.4）
排名 → 窗口函数（§3.5）

步骤 5：SQL 自检

生成 SQL 后，逐项检查：

✅ 输出结构为三段式：📊 查询解读 → 📋 SQL → 📈 结果
✅ 所有 JOIN 条件正确：fact_orders.shop_code = dim_shop.tr_shop_code（不是 shop_code）
✅ WHERE 条件中时间范围正确（左闭右开）
✅ GROUP BY 包含所有非聚合列
✅ NULLIF 处理除零问题
✅ 聚合函数与业务含义一致（SUM vs COUNT DISTINCT vs AVG）
✅ 列别名使用中文展示名

步骤 6：执行并展示

通过 §0 的 Gateway JDBC API 执行 SQL，按 §4 的三段式格式展示结果。

执行注意事项：

API 返回的是 Markdown 表格纯文本，直接展示给用户即可
如遇 Table not allowed 错误，说明查询了白名单以外的表，检查 §1.1 的可用表列表
如遇查询超时（30 秒），考虑缩小时间范围或加更严格的 WHERE 条件
SQL 中字符串值用单引号包裹（如 WHERE sku = 'SKU1000211'）
始终显式加 LIMIT，避免依赖服务端自动 LIMIT 1000

6. 常见错误模式

❌ 模式 1：金额字段选错 retail_amount（零售金额）和 net_amount（净销售金额）差异可能很大。必须确认用户意图。

❌ 模式 2：客单价算法歧义

SUM(retail_amount) / COUNT(DISTINCT vip_id) = 人均消费金额
SUM(retail_amount) / COUNT(DISTINCT order_number) = 单均金额
两者数值可能相差数十倍。

❌ 模式 3：dim_shop JOIN 键用错 事实表的 shop_code 对应 dim_shop 的 tr_shop_code（数仓 Key），不是 dim_shop 的 shop_code（业务编码）。这是最容易犯的错误。

❌ 模式 4：同环比时间范围写错 手动计算两个时期的时间范围容易出错，特别是跨年、跨月场景。

❌ 模式 5：维度值不确定 不知道维度表中具体有哪些值（如一级渠道到底有哪些），应先查询确认：

sql

SELECT DISTINCT first_channel FROM dim_shop;
SELECT DISTINCT product_brand_name FROM dim_product;
SELECT DISTINCT vip_level FROM dim_vip;

❌ 模式 6：缺少行业术语理解 数据库 schema 不包含业务语义。例如"动销率""售罄率""库销比"等行业指标，纯靠 schema 无法推断其计算公式。

❌ 模式 7：GROUP BY 缺失列 SELECT 中有非聚合列但 GROUP BY 中遗漏，在严格模式下会报错。

❌ 模式 8：除零错误 环比增长率等计算中，分母可能为 0 或 NULL，必须用 NULLIF 处理。

❌ 模式 9：库存表时间字段用错 fact_inventory 的时间筛选用 snapshot_date，不是 dt（该表无 dt 字段）。fact_orders 的时间筛选用 dt。

7. 局限性声明

本 Skill 直接基于数据库 schema 生成 SQL，存在以下固有局限：

指标口径无统一定义：同一业务概念（如"客单价"）可能有多种 SQL 实现，需要人工确认
无内置快速计算：同环比、占比、排名等分析计算需要手写复杂 SQL（CTE/窗口函数）
无维度值元数据：不知道维度表中具体有哪些值，需要先查询确认
无业务语义层：数据库字段注释不足以表达完整的业务语义（如"销售额"到底用哪个金额字段）
无独立流量表：本数据库无流量数据（UV/PV），无法计算转化率等跨表指标
无日期维度表：时间属性（年/季/月/周/是否周末等）需要通过 SQL 日期函数实现

Aloudata CAN SKILLS - text-to-sql-query

Install

Text-to-SQL 数据查询 Skill

执行模式

0. 查询接口信息

0.1 接口地址

0.2 执行方式

0.3 返回格式

0.4 安全限制

1. 数据库 Schema

1.1 表结构总览

1.2 事实表字段

fact_orders（订单事实表）

fact_inventory（库存事实表）

fact_product_launch（商品上市事实表）

1.3 维度表字段

dim_product（商品维度表）

dim_shop（店铺维度表）

dim_vip（会员维度表）

1.4 表间关系（JOIN 规范）

常用 SQL 查询模板（标准模型：直接复制修改）

模板 1：上月某指标的汇总值

模板 2：上月各渠道的销售额及环比

模板 3：Top-N 品牌排名

模板 4：某维度在全局的占比

模板 5：日趋势查询

2. 语义理解（SQL 生成前必做）

2.1 从 Schema 推断指标

2.2 关键语义消歧规则

3. SQL 生成规范

3.1 JOIN 规则

3.2 时间处理

3.3 同环比计算

3.4 占比计算

3.5 排名计算

4. 输出规范

4.1 📊 查询解读（自然语言，放在最前面）

4.2 📋 SQL 查询语句

4.3 📈 查询结果

4.4 完整输出示例

5. SQL 生成流程

步骤 0：语义解析

步骤 1：确定指标和表

步骤 2：确定维度和 JOIN

步骤 3：构建时间条件

步骤 4：构建聚合和计算

步骤 5：SQL 自检

步骤 6：执行并展示

6. 常见错误模式

7. 局限性声明

Related skills