Text2Option

基于钱晓东的分享整理的笔记。
这个有research and development的概念了。

核心概念

  • 自定义术语：Text2Option (T2O) - 将自然语言转为可视化配置

参考项目

  1. Agentar-Scale-SQL
    https://github.com/antgroup/Agentar-Scale-SQL

  2. Awesome-Text2SQL
    https://github.com/eosphoros-ai/Awesome-Text2SQL

  3. OpenSearch-SQL（推荐作为课程入门项目）
    https://github.com/OpenSearch-AI/OpenSearch-SQL

    • 关键文件：workflow_builder.py

    • Prompt 文件：src/llm/all_prompt.py

数据集与基准

  • BIRD-SQL 基准(排行榜)
    bird-bench.github.io

  • 开源数据集
    llava_echarts_sameformatted_date
    https://huggingface.co/datasets/ar9av/llava_echarts_sameformatted_date

相关论文

  • arXiv 2502.14913
    链接：https://arxiv.org/pdf/2502.14913
    概念：NLQ (Natural Language Query)

构建数据相关

  • 待办：构建训练数据库（基于上次提到的 demo 平台数据处理）

  • 关键问题：需要多少数据？数据量小是否可以省略投票机制？

  • 生成方法：学习“全部 AI 生成 SQL”的方法

不微调的原因

Option 在不断迭代，因此暂不考虑微调方案

执行流程

  1. 输入信息提取

  2. 生成初始配置

  3. 调优（1 和 2 可生成模型校验代码）

    • 语法调优：字段是否存在、数据类型和格式校验（可用 Zod 纯工程实现）

    • 进阶用法调优：检查和调优 option 的函数型配置对象

    • 写法和样式调优：例如 id=290 例子中，分段颜色用 visualMap 还是三条折线？

  4. 投票机制：尽可能贴近原始 query（结构后），通过 image2text 进一步选择更优 option

注意事项

  • Query 的解构是关键环节

  • 可针对可视化方向撰写论文