text_to_sql_pipeline.py
Natürliche Sprache → SQL-Abfrage gegen die eigene Datenbank, ausgeführt mit lokalem Modell.
Natürliche Sprache → SQL-Abfrage gegen die eigene Datenbank, ausgeführt mit lokalem Modell.
So nutzt du es
Anleitung lesen, Befehle ins Terminal kopieren. Ollama gibt es für macOS, Windows und Linux — Installation von ollama.com.
Im Detail
text_to_sql_pipeline.py ist eine Open-WebUI-Pipeline, die Chat-Anfragen in natürlicher Sprache in SQL-Statements übersetzt und direkt gegen eine angeschlossene Datenbank ausführt – das Ergebnis kommt als Tabelle oder Text zurück in den Chat. Der Clou: Die Übersetzung läuft komplett lokal über ein Ollama- oder llama.cpp-Modell, es geht also kein Schema und keine Zeile Daten an einen Cloud-Anbieter. Das lohnt sich für Teams, die interne Datenbanken abfragbar machen wollen, ohne Compliance-Bedenken. Wichtig: Kleinere lokale Modelle erzeugen bei komplexen Joins oder mehrdeutigen Fragen öfter fehlerhaftes SQL als GPT-4-Klasse-Modelle – generierte Queries vor der Ausführung auf Produktivdaten immer gegenlesen, idealerweise mit Read-only-DB-User.
Praxis-Tipp
Starte mit einfachen Fragen wie ‘Zeig mir die 10 umsatzstärksten Kunden im letzten Quartal’ und verbinde die Pipeline nur mit einem Read-only-DB-Zugang, um versehentliche Schreibzugriffe auszuschließen.
Siehe auch
Lizenz & Quelle
- Lizenz: MIT
- Quelle: open-webui/pipelines
Inhalt ansehen (text_to_sql_pipeline.py)
Lade …
Erfahrungen & Kommentare.
Funktioniert der Anleitung bei Ihnen? Tipps, Stolperfallen, Varianten — teilen Sie es mit der Community.
Lade Kommentare …
Passt dazu.
ollama_pipeline.py
Minimalbeispiel: Anfragen an einen Ollama-Server durchreichen — der beste Startpunkt, um das Pipeline-Prinzip zu verstehen.
ollama_manifold_pipeline.py
„Manifold": macht alle auf dem Ollama-Server installierten Modelle auf einmal verfügbar statt nur eines.
llama_cpp_pipeline.py
GGUF-Modelle direkt über die llama-cpp-python-Bibliothek fahren — ohne Ollama dazwischen.
