随着大语言模型（LLM）的快速发展，基于自然语言生成SQL查询的方式逐渐成为数据分析的新趋势。过去，尝试让模型将简洁的自然语言转换成符合语法且满足业务逻辑的SQL语句，往往因为模型理解力和逻辑处理能力有限而面临诸多挑战。如今，借助最新一代的模型如Gemini 2.5 Pro和Claude Opus，这一难题正在被逐步攻克，生成式商业智能（Generative BI）的时代悄然来临。新模型具备更聪明的推理能力，能够理解上下文和细节，自动化检测并修正SQL语法错误，甚至能迭代查询以确保得出准确的结果。与此同时，MCP（Model-Connector-Protocol）标准的推广有效规范了大型语言模型与数据库之间的接口，极大简化了集成过程。近年来，Benjamin Wootton针对Gemini和Claude结合ClickHouse数据库的实际表现进行了深入试验。
他选择了一个名为“Danny’s Diner”的虚拟餐厅数据库，内含销售记录、菜单信息及会员资料。此数据库结构相对简单但涉及多表连接和窗口函数，能够较全面地考察模型生成SQL的能力。Benjamin通过配置MCP服务器，将两款模型成功连接至ClickHouse，随后向它们连续提出10个SQL问题，涵盖聚合计算、时间条件、排名以及条件逻辑等多种SQL技巧。测试过程发现，Claude的响应速度明显快于Gemini，高效地采用并行策略完成任务，而Gemini则表现出串行执行的特点，部分环节出现错误后会回溯重试。这也体现了不同模型对于复杂任务的策略差异。然而就准确度而言，Gemini略微领先，尤其是在第五个问题 "每个客户最受欢迎的菜单项" 的处理上，尽管两者所写SQL逻辑高度相似，但Claude在最终结果渲染时存在偏差，影响了正确判断。
此外，测试中两款模型均能熟练使用join操作、多层CTE（Common Table Expressions）以及窗口函数，如rank和dense_rank，展现出强大的SQL表现力和灵活性。具体到查询速度，Claude完成全部问题耗时约260秒，而Gemini耗时约480秒，明显的差距表明Claude更擅长动态调度和任务拆分。SQL查询涵盖了客户总消费金额、访店天数、首购商品识别、最畅销菜品统计、会员购前后行为分析、以及基于积分规则的复杂算分逻辑等，所有这些都体现了实际业务中数据分析的核心需求。Claude与Gemini均能根据业务场景制定条件和计算规则，准确解读积分多倍累计时间窗口、会员加入日期等信息，体现了模型在处理时间与条件复杂度方面的进步。尽管此次测评使用的数据集和问题难度尚属初级到中级，Gemini与Claude的表现已然足以证明生成式BI的实用性日益提升，对于数据分析师及终端业务用户来说，借助语言模型进行自然语言驱动数据查询，将大幅度降低技术门槛，提高工作效率。未来，随着模型智能水平的进一步提高及行业标准完善，结合专业复核的流程有望实现更广泛的落地应用。
在生产环境中，即使当前整体表现可靠，仍建议数据专家参与以确保查询结果的准确性和业务决策的合理性。值得期待的是，MCP标准及模型能力的同步进步有望简化集成配置，精准响应复杂业务问题，不仅让技术人员更加省时省力，也为非技术人员使用数据分析提供了极大便利。基于此次“Danny’s Diner”挑战的实测，Claude和Gemini均能生成符合ClickHouse方言规范的SQL代码，处理多个表关联、条件过滤、区分不同计算逻辑，以及用窗口函数做数据排名等多样化需求，表现出很强的适应性和灵活性。本文所述实践表明，生成式SQL分析不再是理论上的美好愿景，而已进入技术成熟且实用的阶段。企业若能结合语义搜索、模板优化、自动纠错及人机合作模式等，必将推动商业智能工具的全面升级，实现智能化数据提问与解析的无缝对接。总结来说，Gemini与Claude作为领先的生成式SQL分析助手，正引领数据洞察与交互方式的变革。
在突破传统脚本编写门槛的同时，赋能更多用户以自然对话完成复杂查询，实现数据价值的最大化。未来的生成式BI，将不仅仅是分析师的利器，而有望成为全公司范围的数据智能大脑，助力企业决策智慧跃迁。
