展现了一个工业级Text-to-SQL系统应有的工程素养：✅鲁棒性：断连重连、服务降级、异常捕获✅可维护性：分层架构、清晰命名、详细注释✅可扩展性：模块化设计、配置驱动、插件式标签✅可观测性：进度跟踪、轨迹记录、详细日志优秀的AI应用不仅是算法创新，更是工程艺术的体现。附录：核心代码统计模块行数占比SQL生成与反思~80021%裁判模型评估~60016%数据库执行~2005%工具函数~50013%

本文介绍了一个生产级的智能SQL生成系统n-best候选生成：提高首轮命中率反思纠错机制：自动诊断并修正错误轨迹检索增强：从历史案例中学习系统设计遵循模块化、可扩展、易维护原则，已在实际业务场景中验证有效性。我们相信，这种"生成-验证-反思-学习"的闭环架构，不仅适用于Text-to-SQL任务，也可推广到其他需要高精度生成的AI应用场景。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

目标：将 SQL 结果转化为用户友好的答案。操作调用 LLM，输入：原始问题执行结果（表格数据）相关业务上下文（如“不合格率 = NOK / 总样本”）生成简洁、准确、带单位的自然语言回答可选：附上数据来源（“数据来自 QMS_PRODUCT_INSP 表”）✅ 这就是“最后总结回答的 agent”。即使你暂时不做模板化 SQL，也可以让模型先选口径先让模型只输出结构化选择：metric: “订单

​。