课题背景: 大模型驱动的 AI Agent 正在成为数据库的新调用方。与传统人工编写 SQL 不同，Agent 需要先"理解"数据库——知道有哪些表、每个字段的业务含义、指标的计算口径、表间的关联关系——才能将自然语言意图转化为正确的查询计划。这层"理解"即数据库语义层（Semantic Layer）。 当前语义层的构建高度依赖人工标注：DBA 或数据团队手动编写字段描述、维护术语映射、定义指标口径。这一过程成本高、覆盖不全、更新滞后，且难以适应 Schema 频繁变更的业务系统。同时，Agent 在查询规划阶段面临术语歧义（如"月活"在不同业务线含义不同）、隐含约束（如"有效订单"需排除退款）、多表路径选择等推理挑战，仅靠 Schema 信息远远不够。 如何利用大模型能力自动化构建数据库语义层知识库，并在 Agent 查询时提供准确的语义推理与消歧支持，是实现"Agent 即插即用调用数据库"的关键研究问题。 1、包含但不限于计算机、人工智能、自然语言处理、知识工程、数据科学、软件工程、应用数学等专业的博士和优秀硕士； 2、熟悉自然语言处理基础理论，掌握大语言模型（LLM）的 Prompt 工程、RAG、Fine-tuning 等技术路线；有 NL2SQL、Text2Code 或知识图谱构建相关研究经验； 3、熟悉数据库基础知识，理解关系模型、SQL 语义、Schema 设计；了解元数据管理或数据治理领域（如 Data Catalog、Semantic Layer）者优先； 4、较强的工程实现能力，熟练掌握 Python 编程，熟悉主流深度学习框架（PyTorch/Transformers）；有系统开发经验，能独立完成原型搭建； 5、良好的英文文献阅读能力，能跟踪 ACL/EMNLP/NAACL/VLDB 等顶会前沿；有 NLP 或数据库方向论文发表或开源项目贡献者优先。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录