这份 Hacker News 讨论探讨了在实际数据环境中使用大语言模型（LLM）进行“文本转 SQL”任务所面临的挑战。 参与者指出了学术基准测试与企业实际应用之间的差距。一位工程师描述了一种成功的实施策略：清理“陈旧”的遗留数据库，利用 dbt 模型强制执行结构，并注入丰富的语义元数据以减少幻觉。 然而，许多参与者仍持怀疑态度。一个主要担忧是“验证陷阱”：即非技术用户将大模型生成的 SQL 视为事实，这可能导致错误的收入定义或缺失筛选条件。批评者认为，即使有了语义层，大模型也很难处理固有的业务歧义和依赖上下文的指标变体。 此外，一些用户认为当前的 AI 基准测试容易被“钻空子”，无法反映实际性能。最终，大家的共识倾向于将大模型视为提升专业分析师生产力的助手，而非人类专业知识的可靠、自主替代品。