USPL: Khi GPT Bỗng "Đần Mặt" Với SQL JOINs – Câu Chuyện Biến Tiếng Người Thành Lệnh Cơ Sở Dữ Liệu Cực Đỉnh!

Lê Lân

15/06/2025

USPL: Công Cụ Chuyển Ngôn Ngữ Tự Nhiên Thành SQL Với GPT-3.5

Mở Đầu

Bạn từng gặp khó khăn khi yêu cầu GPT tạo câu truy vấn SQL với nhiều bảng liên quan? Tình trạng hallucination và không hiểu được quan hệ giữa các bảng khiến bạn mệt mỏi? Đây chính là nguyên nhân tạo nên USPL – một framework Python nhẹ giúp GPT-3.5 xử lý chuẩn xác các truy vấn đa bảng.

Tôi không có ý định làm ra một công cụ mới ban đầu, chỉ mong GPT ngừng “nói linh tinh” khi phải kết nối bảng trong cơ sở dữ liệu. Từ sự bức xúc đó, tôi đã dành nhiều đêm suy nghĩ về cách tổ chức schema, cấu trúc prompt và cách các mô hình ngôn ngữ nhìn nhận dữ liệu có cấu trúc. Kết quả là USPL – Unified Schema Prompt Layer – ra đời, cung cấp một lớp trung gian giúp GPT hiểu rõ các khóa ngoại và xây dựng truy vấn JOIN chuẩn xác trên các schema quan hệ.

Trong bài viết này, chúng ta sẽ tìm hiểu sâu về USPL, nguyên lý hoạt động, các lợi ích chính, cũng như kinh nghiệm quý giá khi phát triển công cụ này.

1. USPL là gì?

USPL (Unified Schema Prompt Layer) là một framework Python nhẹ, tối giản giúp chuyển đổi ngôn ngữ tự nhiên thành câu truy vấn SQL dành riêng cho các cơ sở dữ liệu quan hệ đa bảng. Điểm nổi bật của USPL là:

Tối ưu cho GPT-3.5-turbo từ OpenAI.

Giúp GPT hiểu được các mối quan hệ giữa bảng thông qua khóa ngoại (foreign keys).

Giúp mô hình tạo các câu lệnh JOIN chính xác, phù hợp với schema chuẩn hóa (normalized schema).

Hoàn toàn mã nguồn mở, có tài liệu bằng tiếng Anh và tiếng Trung, cấp phép theo MIT.

Tính năng chính

Chuyển đổi schema sang định dạng JSON thống nhất.

Nén gọn metadata schema thành prompt thân thiện với GPT.

Thực thi câu truy vấn SQL qua SQLite.

Tóm tắt kết quả trả về bằng ngôn ngữ tự nhiên.

Điều quan trọng: USPL không cần tinh chỉnh mô hình (fine-tuning), không dùng plugin hay công cụ bên thứ ba đặc biệt nào.

2. Động lực phát triển USPL

Thách thức của mô hình ngôn ngữ hiện đại

Mặc dù GPT và các LLM khác rất mạnh mẽ, chúng gặp nhiều khó khăn khi xử lý:

Schema phức tạp: Các bảng nhiều, quan hệ chồng chéo.

Lý luận quan hệ: Hiểu cách kết nối các bảng với nhau.

Logic JOIN: Viết câu lệnh đúng với nhiều bảng tham gia.

Ngay cả khi tinh chỉnh mô hình, vẫn cần một giải pháp về mặt đầu vào dữ liệu để giảm bớt sự lộn xộn.

Tập trung vào thiết kế prompt

Tôi không muốn fine-tune mô hình, mà chọn cách thay đổi prompt để GPT làm việc tốt hơn. Kết quả là một định dạng prompt độc đáo, giúp nén thông tin schema thành JSON rõ ràng, không kèm dữ liệu mẫu, mà tập trung vào cấu trúc và ý nghĩa.

Đây chính là cốt lõi của USPL.

Thiết kế prompt chính là kỹ thuật dữ liệu quan trọng giúp tối ưu khả năng hiểu và sinh câu lệnh SQL của GPT.

3. Cách hoạt động của USPL

Quá trình xử lý

Người dùng cung cấp mô tả schema dưới dạng prompt JSON thống nhất.

Người dùng đặt câu hỏi dưới ngôn ngữ tự nhiên.

GPT-3.5 tạo ra câu truy vấn SQL dựa trên schema và câu hỏi.

Python thực thi câu truy vấn qua SQLite.

Kết quả được GPT tóm tắt lại bằng câu văn dễ hiểu.

Các bước chi tiết

Input: JSON mô tả cấu trúc bảng, tên trường và khóa ngoại.

Prompt: Bản chất là một câu lệnh kèm đoạn JSON, hướng dẫn GPT cách viết SQL.

Output: Câu truy vấn JOIN đúng chuẩn.

Thực thi: SQLite chạy lệnh.

Tóm tắt: GPT mô tả kết quả trả về.

Ưu điểm của quy trình:

Không cần model bổ sung hay huấn luyện lại.

Tối giản phụ thuộc công cụ.

Chạy mượt trên bất kỳ máy nào có Python & OpenAI API.

Dễ dàng sửa đổi schema hoặc câu hỏi.

Ví dụ prompt JSON mẫu

{
  "tables": {
    "customers": {
      "columns": ["id", "name", "email"],
      "foreign_keys": {}
    },
    "orders": {
      "columns": ["id", "customer_id", "date"],
      "foreign_keys": {
        "customer_id": "customers.id"
      }
    }
  }
}

Ví dụ câu hỏi và SQL do GPT tạo

Hỏi: "Liệt kê tên khách hàng và ngày đặt hàng của họ."

SQL xuất ra:

SELECT customers.name, orders.date
FROM customers
JOIN orders ON customers.id = orders.customer_id;

Bạn có thể thử ngay dự án trên GitHub và dễ dàng tùy chỉnh cho nhiều schema phức tạp hơn.

4. Công nghệ sử dụng trong USPL

Thành phần	Mô tả
Python	Ngôn ngữ chính, xử lý prompt và kết nối API
OpenAI API	GPT-3.5-turbo chịu trách nhiệm sinh SQL
SQLite	Lớp thực thi câu truy vấn đơn giản, nhẹ
Dotenv / CLI	Quản lý biến môi trường, tương tác dòng lệnh
Giấy phép MIT	Mở rộng và phát triển tự do

Thuật toán và kiến trúc đơn giản nhưng tập trung vào tối ưu prompt, giúp GPT đưa ra câu truy vấn chính xác.

5. Những bài học rút ra từ USPL

Thiết kế prompt = Kỹ thuật dữ liệu: Cần tận dụng mỗi byte metadata hữu ích, tránh thêm dữ liệu không cần thiết.

Giảm tối đa sự mơ hồ: Đưa ra thông tin rõ ràng giúp GPT vận hành tốt hơn.

Tài liệu và minh bạch: Viết tài liệu song ngữ, chia sẻ công khai giúp cải thiện chất lượng sản phẩm.

Xây dựng cộng đồng: Phát triển openly giúp tiếp thu phản hồi và nâng cao kỹ năng bản thân.

Phát triển USPL là hành trình của sự kiên trì và học hỏi liên tục. Từ một nhu cầu cá nhân, nó đã trở thành công cụ hữu ích cho cộng đồng.

Kết Luận

USPL là minh chứng rõ ràng rằng với một thiết kế prompt hợp lý, ta hoàn toàn có thể sử dụng sức mạnh GPT-3.5 để xử lý dữ liệu quan hệ phức tạp mà không cần huấn luyện lại mô hình. Dự án mở ra cơ hội cho những ai đam mê AI và công cụ dữ liệu làm việc dễ dàng, hiệu quả hơn với SQL đa bảng.

Tôi là TSAI PEI LIN, kỹ sư toàn stack đến từ Đài Loan, và tôi rất mong được kết nối với cộng đồng phát triển AI + dữ liệu toàn cầu. Hãy thử dùng, fork, đóng góp hay thậm chí “phá vỡ” USPL — tất cả đều giúp USPL hoàn thiện hơn!

Tham Khảo

USPL GitHub Repository

OpenAI Documentation. GPT-3.5 API Reference.

SQLite Official Website. SQLite Documentation.

Brownlee, J. “Prompt Engineering for AI Models” (2023)

Huang, K. “Understanding Relational Databases and Schema Design” (2022)

June 1, 2024