实测四大AI模型写SQL，表现差距不小-阿里云开发者社区

大家好，我是数据库小学妹👋

我从设计转行学数据库写第一个多表JOIN，就把production库拖挂了半小时。老DBA找我谈话的时候，我还在解释"我以为LEFT JOIN和INNER JOIN差不多"。那次之后我养成了一个习惯：任何SQL上线前必须跑EXPLAIN看执行计划。

随着AI的趋势火热，现在团队里越来越多人在让AI写SQL。有人问我"AI写的SQL还需要EXPLAIN吗"。我的回答是肯定的，AI不看执行计划，但DBA看。光看基准数据不够直观，我自己跑了一遍。

上个月底，Text-to-SQL的权威基准测试Spider 2.0-Lite榜单再次刷新。BIRD基准覆盖95个数据库、37个专业领域，Gemini-SQL2达到80.04%的执行准确率。Spider 2.0-AIFunc基准更难，头部商业模型执行准确率在67%到70%区间，表现靠前的开源模型为58.1%。

企业级场景下的模型表现有了新坐标，基准数据好看，落到真实业务场景中，大模型的实际表现到底如何？我拿同样的电商环境跑了四个当红模型。GPT-5.5、Claude Opus 4.7（测试时4.8尚未发布）、Qwen3、Kimi k2.6。MySQL 8.0.36，五张表10万到50万行模拟数据。四个场景覆盖从简单查询到复杂聚合的完整梯度。

本文测试基于2026年8月6日前已公开发布的模型版本。

场景一：简单单表条件查询

单表SELECT，时间过滤加地域过滤，按金额排序取前100条。

GPT-5.5和Claude Opus 4.7写出完全正确的SQL，CURRENT_DATE配DATE_SUB组合，逻辑严谨。Qwen3用CURRENT_DATE减INTERVAL，MySQL 8.0下也能正确执行。Kimi k2.6用DATEDIFF做范围判断，虽然结果对，但函数调用导致索引失效。

跑一下EXPLAIN对比就看出来了。GPT-5.5生成的SQL走索引范围扫描：

mysql> EXPLAIN SELECT order_id, user_id, total_amount
    -> FROM orders
    -> WHERE order_date >= DATE_SUB(CURRENT_DATE, INTERVAL 1 MONTH)
    ->   AND region = '华东'
    -> ORDER BY total_amount DESC LIMIT 100\G
*************************** 1. row ***************************
           type: range
          Extra: Using index condition; Using filesort

Kimi k2.6生成的SQL直接全表扫描：

mysql> EXPLAIN SELECT order_id, user_id, total_amount
    -> FROM orders
    -> WHERE DATEDIFF(CURRENT_DATE, order_date) <= 31
    ->   AND region = '华东'
    -> ORDER BY total_amount DESC LIMIT 100\G
*************************** 1. row ***************************
           type: ALL
possible_keys: NULL
          rows: 485320
          Extra: Using where; Using filesort

扫描了48万行，而range方案只扫描了约1.2万行。50万行数据下执行时间差了3倍多。

准确率75%。Kimi在XSCT Bench部分场景中得分超过95分，却在简单日期过滤上栽了跟头。高分不等于全面，对GPT-5.5和Claude Opus 4.7来说，这个场景已无挑战。

场景二：多表JOIN加条件过滤

五张表JOIN，加上去重和按消费金额排序。

GPT-5.5和Claude Opus 4.7正确写出五表JOIN，路径清晰，数据库能选择较优的驱动表。执行计划显示ref类型，走外键索引：

+----+-------------+-------+------+---------------+
| id | table       | type | key                 |
+----+-------------+------+---------------------+
|  1 | users       | ref  | idx_region          |
|  1 | orders      | ref  | idx_user_id         |
|  1 | order_items | ref  | idx_order_id        |
|  1 | products    | eq_ref | PRIMARY           |
|  1 | categories  | eq_ref | PRIMARY           |
+----+-------------+------+---------------------+

Qwen3编造了order_items表里不存在的product_name字段，直接用假字段做过滤。我的表结构里只有product_id、quantity和unit_price。这条SQL跑起来直接报错：

ERROR 1054 (42S22): Unknown column 'product_name' in 'field list'

Kimi k2.6的JOIN路径对，但直接用SUM做排序，不是按实际消费金额排。

准确率50%。多表关联是当前分水岭，模型看不到真实表结构，靠prompt描述生成SQL。描述有遗漏时，AI会用自己的常识填补空白。Qwen3在电商数据集上训练过，不该犯这种错。我换了更详细的DDL描述表结构后，它才改过来。字段幻觉的本质是AI的统计补全机制——训练数据里order_items和products常一起出现，模型就默认它们在同一张表。

场景三：窗口函数聚合分析

需要窗口函数RANK或DENSE_RANK，时间范围过滤加GROUP BY聚合。

GPT-5.5和Claude Opus 4.7都写出了CTE加DENSE_RANK方案，结构清晰可读性好。执行计划显示临时表物化合理：

mysql> EXPLAIN SELECT user_id, username, total_amount, rk
    -> FROM (
    ->   SELECT u.user_id, u.username,
    ->          SUM(oi.quantity * oi.unit_price) AS total_amount,
    ->          DENSE_RANK() OVER (ORDER BY SUM(oi.quantity * oi.unit_price) DESC) AS rk
    ->   FROM users u JOIN orders o ON u.user_id = o.user_id
    ->   JOIN order_items oi ON o.order_id = oi.order_id
    ->   WHERE o.order_date >= DATE_SUB(CURRENT_DATE, INTERVAL 30 DAY)
    ->   GROUP BY u.user_id, u.username
    -> ) t WHERE rk <= 10;
+----+-------------+------------+-------+---------------+
| id | table       | type      | key                   |
+----+-------------+-----------+-----------------------+
|  1 | <derived2>  | ALL       | NULL                  |
|  2 | <derived2>  | ALL       | NULL                  |
|  3 | orders      | index     | idx_order_date        |
+----+-------------+-----------+-----------------------+

Qwen3用了RANK而不是DENSE_RANK，并列排名时结果会有差异。两个用户消费额并列第二，RANK跳过第三名直接输出第四名——这是排名逻辑错误，不是性能优化问题。Kimi k2.6正确使用了窗口函数，但子查询合并方式不如CTE高效。

准确率50%。窗口函数是AI的舒适区，结构模板化，训练数据样本多。但RANK和DENSE_RANK的区别不是所有模型都掌握。Qwen3在这里丢分，跟它倾向于生成"看起来差不多"的SQL有关，简单场景没问题，需要精确排序时就出问题。

场景四：复杂子查询

四个场景中复杂度较高的一个。找出连续三个月消费额都递增的用户。

GPT-5.5一步到位写出正确的LAG窗口函数方案，加了IS NOT NULL判断。Claude Opus 4.7方案接近正确，漏了IS NOT NULL，只有两个月数据的用户会被误判为连续增长。Qwen3用三层自关联子查询，逻辑能实现但嵌套太深可读性差。Kimi k2.6只比较了最近两个月，不符合连续三个月要求。

原始准确率25%。补充提示后GPT-5.5和Claude Opus 4.7能修正到正确方案。复杂子查询是大模型的薄弱环节，连续增长判断用自然语言描述本身就存在歧义，"连续3个月增长"可以理解为每月总额递增、每月都有消费且金额递增、最近3个月每笔订单都比上一笔高。大模型选哪种理解全靠概率。

基准测试与真实场景的鸿沟

Kimi k2.6在XSCT Bench部分场景中得分超过95分，但在连续增长判断场景直接不及格。这不是个别现象。权威BIRD基准测试的头部模型执行准确率也就80%左右，而我的测试里GPT-5.5一步到位的正确率是75%。两个数字看起来接近，但难度不在一个量级。BIRD覆盖95个数据库37个专业领域，脏数据、外部知识、跨库关联全都有。我的测试环境是固定的干净电商表结构。

差距出在哪？基准测试评分看SQL执行结果是否正确，而我的测试还考察执行计划合理性、SQL可读性、函数选择是否合适。Kimi能用子查询跑通排名，在基准测试里算正确，但在真实生产环境，4.7倍的执行时间差距是DBA无法接受的。

这就是为什么企业不能只看基准分数。高分模型放到真实业务里可能连60分都不到。

2026年的三个关键趋势

语义层是2026年提升Text-to-SQL准确率效果突出的手段。dbt Labs基准测试（基于Claude Sonnet 4.6和GPT-5.3-Codex）显示，配合语义层后Claude从90%升到98.2%，GPT从84.1%到100%。语义层把业务指标定义成标准化元数据，AI不再猜"最近订单"是什么意思。但这只是受控环境的数据，真实企业表结构混乱、指标定义模糊，实际差距更大。

开源模型正在逼近闭源水平。Qwen2.5-Coder在Spider-dev上达86.5%，Spider-dev是较简单的学术基准，与BIRD的真实企业场景难度差距大，但86.5%说明小模型在标准任务上已相当可靠。SQRL-35B-A3B在BIRD Dev上达70.6%超过Claude Opus 4.6。SQRL采用先查后写新范式——先探测数据库结构再生成SQL，试图解决语法正确但答案错误的沉默错误问题。三个模型检查点已全部开源。对数据不能出域的企业，这是重要信号。

模型进步速度快，但复杂子查询依然是瓶颈。GPT-5.5和Claude Opus 4.7在标准场景准确率已超过85%，但涉及精确业务语义理解的需求，AI目前还做不到可靠。

测评汇总

场景	难度	GPT-5.5	Claude Opus 4.7	Qwen3	Kimi k2.6
场景一：单表条件查询	简单	✅	✅	✅	⚠️ 索引隐患
场景二：五表JOIN	中等	✅	✅	❌ 编造字段	⚠️ 排序错误
场景三：窗口函数排名	中上	✅	✅	❌ RANK/DENSE_RANK	⚠️ 性能欠佳
场景四：连续增长判断	高	✅	❌→✅ 漏NULL	❌ 嵌套过深	❌ 月份不足

按第一步输出可直接用于生产算，本测试四场景中GPT-5.5四场景均一步到位。Claude Opus 4.7仅在场景四遗漏了IS NOT NULL判断，补充提示后可修正。Qwen3和Kimi k2.6各有两处未能一步到位，需要更详细的表结构描述或人工干预。

避坑清单

AI生成的SQL不要直接丢到生产环境跑。大模型的SQL幻觉真实存在，编造不存在的列名、错误的表名、不符合当前MySQL版本的语法。我测试中见过AI用MySQL 5.6不支持的JSON_TABLE，也见过它把PostgreSQL的GENERATE_SERIES函数当成MySQL语法。AI写出来的SQL必须在测试环境先跑一遍EXPLAIN，确认执行计划合理再上线。

prompt的质量直接决定SQL的质量。把表结构、字段含义、关联关系在prompt里说清楚，比让AI猜表结构靠谱得多。我每次生成SQL前都把相关表的DDL语句一起贴在prompt里，AI就能基于真实结构写SQL。

别把复杂逻辑一股脑交给AI。连续增长判断、递归CTE、行列转换这类需要精确业务语义理解的SQL，AI出错率太高。正确做法是自己写出框架让AI优化补全，先搭好LAG函数骨架让AI填充过滤条件，比从零开始写靠谱得多。

我是数据库小学妹，帮你少走弯路少踩坑，咱们下篇见👋

实测四大AI模型写SQL，表现差距不小