第5讲：SQL 与 AI 函数的设计与执行学习笔记

发布于 2026年9月26日

学习资料：OceanBase《2026 从 0 到 1 数据库实践教程》第五讲
主讲人：王泽林（OceanBase 开源研发专家）
记录日期：2026 年 9 月 7 日
按课程讲解与课件整理；函数行为为课程所述实现，SQL 示例尚未自行运行。

1. AI SQL 函数：在 SQL 中使用模型能力

这一讲的核心是让数据库通过 SQL 表达式调用模型，把数据库中的文本、检索结果等数据直接用于向量化、重排或生成，减少应用侧对数据与模型调用的组织工作。

函数	用途	课程展示的返回结果
`AI_EMBED`	将文本转换为向量	序列化的向量数组，返回类型为 VARCHAR
`AI_RERANK`	按查询与候选内容的相关性重新排序	JSON 形式的重排结果
`AI_COMPLETE`	根据 Prompt 和上下文生成文本	LONGTEXT 文本

我的理解是，SQL 负责选择和组织数据，模型负责完成相应的 AI 计算。这里介绍的执行路径会通过 HTTP 调用外部模型服务，并非数据库自身在内部完成模型推理。

使用前先注册模型与端点

课件示例通过 DBMS_AI_SERVICE.CREATE_AI_MODEL 注册逻辑模型，再通过 CREATE_AI_MODEL_ENDPOINT 配置对应的服务端点：

模型配置：逻辑名称、任务类型以及服务侧模型名称，例如 dense_embedding、rerank、completion。
端点配置：关联的逻辑模型、服务 URL、Provider 和访问凭证。

函数调用使用逻辑模型名称，由数据库找到具体服务。配置完成后，课程中的三个调用示例可以整理为：

SELECT AI_EMBED('ob_embed', '老虎');

SELECT AI_RERANK(
  'ob_rerank', 'Apple',
  '["apple","banana","fruit","vegetable"]'
);

SELECT AI_COMPLETE('ob_complete', '1+1=?');

这些片段依赖事先创建的模型与端点，主要用于理解调用方式。

2. 从 SQL 表达式到模型结果

共同的执行过程

应用发起 SQL
    → SQL 引擎解析表达式、检查参数
    → 校验模型类型与访问权限，解析服务端点
    → Provider 适配器构造认证信息与请求体
    → HTTP 客户端调用模型服务
    → 解析并校验响应，返回 SQL 结果

不同 Provider 的请求字段、响应结构可能不同。适配器负责屏蔽这些差异，让上层保持相同的函数接口。课程举例包括 OpenAI-compatible、DashScope 等协议，以及 SiliconFlow 等服务。

模型响应也不能直接作为最终结果使用，还要完成数量、维度或结构校验；涉及批量请求时，需要把响应重新对应到原来的 SQL 行，避免结果错位。

AI_EMBED：文本转换为向量

调用形式为 AI_EMBED(model, content [, dimension])。先检查参数、非空条件和维度，再校验模型是否属于 dense_embedding 类型，以及用户是否具有模型访问权限。

课件对比了两种协议：OpenAI-compatible 使用 input，从 data[].embedding 读取结果；DashScope 使用 input.texts，从 output.embeddings[].embedding 读取结果。最终检查返回数量、按需检查维度，再序列化为向量数组。

课程展示的这条路径是一次表达式求值发起一次远程请求，不自动跨 SQL 行合并批处理。 这也是后面讨论批量执行优化的出发点。

AI_RERANK：对召回候选重新排序

调用形式为 AI_RERANK(model, query, documents [, doc_key])。它适合放在向量或全文召回之后，对几十到几百条候选进行重排，而不是直接对整张表逐条打分。

课件区分了两条输入路径：

输入	处理方式
字符串数组	每 20 条顺序分批请求；把批内 `index` 加上批次偏移，恢复到原候选位置，再按 `relevance_score` 全局归并
对象数组＋`doc_key`	抽取指定文本字段，全部候选一次请求；保留原对象并添加 `_model_score`，返回 JSON

这里的下标映射很重要：分批返回的第 0 条不一定是原数组的第 0 条。课件还说明，任一批次失败，整个函数失败。

AI_EMBED 与 AI_RERANK 课件都提醒：外部调用不随数据库事务回滚。 数据库回滚不能撤销已经发生的模型请求；设计失败处理与重试时，需要考虑已发出的调用。

AI_COMPLETE：组织 Prompt 并返回生成文本

调用形式为 AI_COMPLETE(model, prompt [, config])。Prompt 可以是普通字符串，也可以来自 AI_PROMPT 的模板与参数展开；课程展示的路径最终构造单条 user message，再根据 Provider 协议发送请求。

课程中的实现是同步标量调用，返回首条 Choice 的文本，不返回 usage、finish reason，也不支持流式输出。因此，它适合摘要、数据抽取、分类和基于已有证据的单次回答；多轮对话、工具调用等完整应用流程，仍更适合由上层应用调度。

3. AI 函数的比赛出题方向

讲者把这部分题目类比为在已有实现上补齐或增强能力的“填空题”。准备时，需要先理解现有调用链，再定位要修改的是输入处理、协议适配、结果解析还是执行方式。

课程介绍 AI 函数相关方向大约有六个题目、分为三个梯次；由于录制时尚未公布具体题面，课件只保留概括性的增强方向：

层次	课件列出的方向
基础能力	输入与模板、数据表示、请求与响应
协议与正确性	协议扩展、结果正确性，以及错误的正确处理
执行效率	批量执行，把单次调用改进为更高效的执行方式

这些方向对应易用性、兼容性、稳定性、正确性和执行效率。我的理解是，优化不能只看模型是否返回了内容，还要确认结果与输入正确对应、错误能够明确传递，以及批量处理没有改变结果含义。

本讲没有给出正式题目编号、分值和完整验收条件。“大约六题”和三个梯次是讲者当时的介绍，不能据此自行补出具体题目。

Last updated on 2026年9月26日

第5讲：SQL 与 AI 函数的设计与执行学习笔记_