دوره Spring AI Text-to-SQL: تبدیل پرسش‌ها به SQL با LLMs

آنچه یاد خواهید گرفت:

• ساخت یک بک‌اند کامل Text-to-SQL در Spring Boot با استفاده از Spring AI
• طراحی پرامپت‌‌های آگاه از اسکیما که دقت SQL را بدون اتکا به RAG بهبود می‌دهند.
• کشف پویای اسکیما پایگاه داده در زمان اجرا و استفاده از آن در پرامپت‌‌های LLM
• پیاده‌سازی اعتبارسنجی SQL مبتنی بر AST برای اجرای ایمن فقط کوئری‌‌های قابل‌اعتماد
• اعمال محدودیت‌ها، بررسی table/column و جلوگیری از رسیدن SQL ناامن به پایگاه داده
• یکپارچه‌سازی یک UI ساده با API برای نمایش تولید SQL، نتایج و خطاهای اعتبارسنجی

پیش‌نیازهای دوره

• دانش اولیه Java و Spring Boot لازم است.
• آشنایی با SQL و پایگاه‌های داده رابطه‌ای (ترجیحاً PostgreSQL).
• درک REST APIs و درخواست‌ها/پاسخ‌های JSON.
• نیازی به دانش قبلی در زمینه AI ،LLMsیا توسعه frontend نیست.

توضیحات دوره

Text-to-SQL یکی از قدرتمندترین کاربردهای واقعی مدل های زبانی بزرگ است. ایده ساده است: کاربر یک سؤال را به زبان انگلیسی ساده می‌پرسد و سیستم به‌صورت خودکار SQL تولید و اجرا می‌کند.

• انجام این کار با ChatGPT آسان است.
• انجام امن و درست آن در یک سیستم بک‌اند، آسان نیست.

این دوره به شما یاد می‌دهد چگونه یک سیستم کامل و آماده‌ی استفاده در محیط واقعی برای Text-to-SQL را با Spring AI، Spring Boot و PostgreSQL بسازید؛ با معماری روشن، کنترل قوی در بک‌اند، و بدون اتکا به «جادوی AI» است.

شما یک chatbot نمی‌سازید.
شما یک dashboard نمی‌سازید.

شما یک سیستم بک‌اند می‌سازید که بتوانید با اطمینان در محیط کار از آن استفاده کنید.

چه چیزی این دوره را متفاوت می‌کند؟

بیشتر دموهای AI + SQL که آنلاین می‌بینید از این الگو پیروی می‌کنند:

سؤال کاربر → LLM → SQL → Database

این دوره نشان می‌دهد چرا این روش خطرناک است و چگونه باید سیستم را به‌درستی طراحی کرد:

سؤال کاربر → Spring Boot backend → LLM → اعتبارسنجی SQL → Database

LLM پیشنهاد می‌دهد.
بک‌اند همه‌چیز را کنترل می‌کند.

آنچه خواهید ساخت

در طول دوره، روی یک پروژه‌ی واحد Spring Boot کار می‌کنید که ماژول‌به‌ماژول تکامل پیدا می‌کند. به‌جای مثال‌های ساده و آزمایشی، از یک پایگاه داده‌ی واقع‌گرایانه‌ی شرکت استفاده می‌کنید (شامل کارکنان، پروژه‌ها، مشتریان، سفارش‌ها، فاکتورها و پرداخت‌ها) تا کوئری‌‌ها شبیه سیستم‌های واقعی باشند.

شما این موارد را خواهید ساخت:

• یک Text-to-SQL API با استفاده از Spring AI
• طراحی پرامپت‌‌ آگاه از اسکیما برای بهبود دقت SQL
• کشف پویای اسکیما از PostgreSQL در زمان اجرا
• اعتبارسنجی SQL مبتنی بر AST برای مسدود کردن کوئری‌‌های ناامن
• اعتبارسنجی table و column با استفاده از اسکیما واقعی
• اعمال LIMIT و کنترل اجرای کوئری‌‌
• یک UI ساده که API را مصرف می‌کند و نتایج و خطاها را نمایش می‌دهد.

در پایان، یک سیستم عملی خواهید داشت که در آن یک سؤال به زبان انگلیسی ساده به SQL ایمن و اعتبارسنجی‌شده و نتایج واقعی پایگاه داده تبدیل می‌شود.

آنچه یاد خواهید گرفت

یاد می‌گیرید چگونه:

• یک معماری تمیز Text-to-SQL در Spring Boot طراحی کنید.
• رفتار LLM را با استفاده از اسکیما، پرامپت‌‌ها و منطق بک‌اند کنترل کنید.
• اسکیما پایگاه داده را به‌صورت پویا کشف و مدیریت کنید.
• اجازه ندهید SQL خطرناک هرگز به پایگاه داده برسد.
• یک UI ساده را با یک API بک‌اند مبتنی بر AI یکپارچه کنید.
• درک کنید RAG کجا مفید است - و کجا نیست.

این دوره برای چه کسانی است؟

این دوره برای افراد زیر طراحی شده است:

• توسعه‌دهندگان Java و Spring Boot که در حال بررسی کاربردهای واقعی AI هستند.
• مهندسان بک‌اند که به معماری و امنیت اهمیت می‌دهند.
• توسعه‌دهندگانی که با SQL راحت هستند و می‌خواهند کوئری‌‌ها را با AI خودکار کنند.
• مهندسانی که به‌دنبال یکپارچه‌سازی عملی AI هستند، نه دمو

تمرکز این دوره بر توسعه فرانت اند، dashboardها یا آزمایش‌های صرفاً مبتنی بر پرامپت‌‌ نیست.

نتیجه نهایی

در پایان این دوره، خواهید فهمید چگونه LLMها را به‌صورت کنترل‌شده و آماده‌ی استفاده در محیط واقعی وارد سیستم‌های بک‌اند کنید و یک سیستم امن Text-to-SQL را از ابتدا با Spring AI بسازید.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان Java و Spring Boot که در حال بررسی کاربردهای واقعی AI در سیستم‌های بک‌اند هستند.
• مهندسان بک‌اند که به یکپارچه‌سازی امن و آماده‌ی استفاده در محیط واقعی از LLMها نیاز دارند.
• توسعه‌دهندگانی که با SQL راحت هستند و می‌خواهند کوئری‌‌های پایگاه داده را با AI خودکار کنند.
• مهندسانی که به معماری، اعتبارسنجی و کنترل اهمیت می‌دهند - نه دموهای AI
• هر کسی که کنجکاو است بداند چگونه از Spring AI به شکلی عملی و با رویکرد مبتنی بر بک اند استفاده کند.