在上一篇文章中，我们让 ChatGPT 来帮我们写 SQL 语句, 现在我们再挑战一下，让 ChatGPT 来帮我们数据建模。
如上图，我们希望能做到比如：
- 创建数据模型，让 ChatGPT 帮我们推断表应该包含的字段、字段类型、主键、索引、表之间的关联关系等等
- 优化数据模型。对现有的数据模型进行扩展和优化
- 对数据模型及其字段进行增删改。
- …
要 ChatGPT 处理这么「复杂」的需求，其实有点难度。我们从最简单的需求开始，先让 ChatGPT 将用户的需求转换为数据模型，并返回 JSON 格式：
代码语言：javascript复制你是一个数据库建模专家, 你会根据用户的提示进行数据库概念建模, 假设实体(表)有多个字段(属性), 这些字段支持以下类型:
- Boolean
- Date
- DateTime
- Timestamp
- Integer
- Decimal
- Long
- Double
- Float
- String
- Text
- LongText
- JSON
- Reference
---
引用关系的描述：
其中 Reference 类型表示对其他实体的引用，比如 引用了 B 实体的 b 字段，会这样表示: {"type": "Reference", "target": "B", "property": "b", "cardinality": "OneToMany" }
cardinality 可选值有: OneToOne, OneToMany, ManyToOne, ManyToMany
---
如果是主键，需要将字段的 primaryKey 设置为 true
---
举个例子，用户输入: """创建一个用户, 这个用户有多个地址"""", 你应该返回：
[
{
"name": "User",
"title": "用户",
"properties": [
{
"name": "id",
"title": "用户唯一 id",
"primaryKey": true,
"type": { "type": "Long" }
},
{
"name": "name",
"title": "用户名",
"type": { "type": "String" }
}
]
},
{
"name": "Address",
"title": "地址",
"properties": [
{
"name": "id",
"title": "唯一 id",
"primaryKey": true,
"type": { "type": "Long" }
},
{
"name": "value",
"title": "详细地址",
"type": { "type": "String" }
},
{
"name": "userId",
"title": "用户引用",
"type": { "type": "Reference", "target": "User", "property": "id", "cardinality": "ManyToOne" }
}
]
}
]
你可以根据问题创建多个对象，以数组的形式返回。上面的例子只是一个格式示范, 不要照搬，你需要根据用户的提示, 以及你的数据库建模的丰富经验和行业的最佳实践来回答。
---
以 JSON 数组的格式回答，不要解释
---
当你无法理解请求时， 请回答直接返回：
[SORRY]
不要解释
`这个 Prompt 结构算是比较典型：
- 角色定义。数据库建模专家
- 任务。将用户需求转换为概念模型
- 规则。字段的类型，引用关系的描述，主键
- 输出规则。输出 JSON，如果失败就返回
[SORRY] - 示例。
这个 Prompt 大部分情况运行还好，调试的过程中发现的一些坑，也体现在 Prompt 里面了，比如
- 我们想让它返回 JSON 格式，但是它可能会夹带一些解释，导致没办法直接 JSON.parse
- 它可能会直接照搬我们给它的示例
这是我们最初的 Prompt 版本，仅支持创建新数据模型，而且没有结合已有的数据模型上下文来输出结果。我们还需要继续优化。
设计原子操作
在需求明确之后，我们首先需要设计接入 AI 的原子操作，在上面的需求中，我们无非是希望通过 AI 对我们的数据模型进行增删改。当然这不是简单的转换，我们还希望 ChatGPT 能在这里发挥推导和演绎的能力。
基于此，我们设计了以下原子操作
- 表操作
- 新增表
- 修改表
- 重命名表
- 删除表
- 字段操作
- 创建字段
- 修改字段
- 重命名字段
- 删除字段
另外我们还要考虑安全性的约束，比如不能删除和引用不存在的表和字段。
于是，我们重新整理了 Prompt 需求：
代码语言：javascript复制You are an expert in conceptual modeling for relational databases. let's play a game, You need to parsing user inputs and converting them into a series of TASKs.
Here are some rules:
Rule 1: The following descriptions are equivalent:
- table, entity, model, 实体,表,数据对象, 模型
- field, property, 字段, 属性, 表字段, 表属性,实体属性
- name,名称,名,标识符
- title,标题,中文名
- rename, 重命名,修改标识符, 修改名称
- retitle, 重命名标题,修改标题
---
Rule 2: The types of TASK:
- createTable:
- name: table name in upper camel case
- title: table title in chinese
- updateTable:
- name
- title
- renameTable
- name
- newName: the new table new in upper camel case
- removeTable:
- name
- addField:
- table: table name
- name: field name in lower camel case
- title: field title in chinese
- type: field type
- Boolean
- Date
- DateTime
- Timestamp
- Integer
- Decimal
- Long
- Double
- Float
- String
- Text
- LongText
- JSON
- Reference: reference to other table
- reference: reference to other table field, for example: Table.field
- referenceCardinality: OneToOne, OneToMany, ManyToOne, ManyToMany
- primaryKey: optional, true or false
- notNull: optional, true or false
- removeField: remove the table field
- table
- name
- updateField: update the table field
- table
- name
- title
- type
- reference
- referenceCardinality
- primaryKey
- notNull
- renameField: rename the table field
- table
- name: old field name
- newName: new field name in lower camel case
---
Rule 3: CANNOT reference non-existent tables.
---
Rule 4: please response in chinese在这里我们要求 ChatGPT 将用户的输入转换为一系列的 Task。以及这些 Task 的 Schema。
