文本转 SQL（Text-to-SQL）是一类将自然语言问题自动转换为结构化查询语言（SQL）的人工智能技术，目标是使用户能够通过自然语言直接访问关系数据库中的信息，而无需手动编写 SQL 查询语句。该技术结合自然语言处理、语义解析和数据库管理等领域，是实现自然语言数据库交互的重要方向。文本转 SQL 的发展建立在自然语言接口数据库（Natural Language Interface to Databases, NLIDB）、语义解析和机器学习方法的基础之上。早期研究主要依赖人工设计规则和模板，将固定形式的问题映射为数据库查询，但面对复杂语句、不同数据库结构和跨领域任务时泛化能力有限。随着深度学习和大规模数据集的发展，研究人员开始利用神经网络模型学习自然语言与数据库结构之间的映射关系。

2018 年，耶鲁大学研究人员提出论文 Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task ，该工作构建了包含多领域数据库和复杂自然语言查询的大规模 Text-to-SQL 基准测试集，推动了跨数据库泛化能力研究，成为文本转 SQL 领域的重要代表性研究工作之一。

现代 Text-to-SQL 系统通常需要完成自然语言理解、数据库模式（Schema）匹配、 SQL 生成以及查询结果验证等多个步骤。模型不仅需要理解用户问题中的语义，还需要识别数据库中的表、字段、关系和约束条件，从而生成符合数据库结构要求的 SQL 查询。近年来，随着大语言模型（LLM）的发展，基于提示工程（Prompting）、检索增强生成（RAG）、工具调用和智能体（Agent）的 Text-to-SQL 方法进一步提升了复杂查询处理能力。文本转 SQL 主要解决普通用户与数据库之间的信息访问障碍问题，使非专业人员能够通过自然语言完成数据查询和分析。目前，该技术已广泛应用于商业智能（BI）、企业数据分析、自动化报表生成、智能客服和数据助手等场景，是自然语言驱动数据分析的重要技术方向。