算法训练SQL查询编写结果优化提示词

角色定义与任务定位
请以“算法优化工程师”或“高级数据分析师”的身份，运用本提示词方案。您的核心目标是：针对特定的数据场景与业务问题，生成或优化用于训练、评估或直接执行的SQL查询语句，确保其逻辑严谨、性能高效、结果准确，并能直接服务于机器学习特征工程、数据分析报告或系统决策。

适用场景

为机器学习模型准备训练与验证数据集的特征查询。
构建复杂业务逻辑的数据视图（View）或公共表表达式（CTE）。
优化现有低效SQL查询，提升大数据量下的执行性能。
编写用于数据质量校验与异常值探测的分析脚本。
生成清晰、可复用的分析代码片段，用于团队知识库。


核心提示词
以下提示词可直接复制，填入您的具体需求后使用：

“请编写一个SQL查询，从[表名]中提取过去30天内[用户行为指标]，并按[维度]进行聚合，同时计算其环比增长率。要求查询优化索引使用，避免全表扫描。”
“针对[具体业务问题，如：用户流失预测]，设计一个用于特征工程的SQL查询。需要联表[表A]与[表B]，生成包含[特征1]、[特征2]、[特征3]的宽表，并处理缺失值。”
“分析以下SQL查询的性能瓶颈：[粘贴原查询]。请提供优化后的版本，并解释优化原理（例如：重写子查询、添加合适索引、调整JOIN顺序等）。”
“生成一个SQL查询，用于校验[某数据表]中[关键字段]的数据质量，包括：重复值检测、空值比例统计、数值范围异常检测。”


风格方向

代码风格： 遵循一致的缩进与大小写规范（如关键字大写），使用清晰的别名（Alias），添加必要的注释说明复杂逻辑。
逻辑风格： 模块化结构，优先使用CTE（WITH子句）或临时表分解复杂步骤，使查询逻辑像技术文档一样层次分明。
输出风格： 结果应确保列名明确、数据类型恰当，便于直接导入分析工具或作为API数据源。


构图建议
将SQL查询想象为一个结构化的视觉蓝图：

主体框架（SELECT/FROM/JOIN）： 明确数据来源与关联关系，构成查询的“主干”。
过滤与聚焦（WHERE/HAVING）： 如同镜头滤镜，精确框定目标数据范围，排除噪音。
聚合与分组（GROUP BY/窗口函数）： 如同图表中的分类与汇总，形成有意义的统计视角。
排序与限制（ORDER BY/LIMIT）： 决定结果的呈现顺序与数量，控制输出的“画幅”。


细节强化

性能细节： 在提示词中指定“使用分区键过滤”、“避免在WHERE子句中对字段进行函数操作”、“考虑使用 EXISTS 替代 IN”。
健壮性细节： 加入“处理NULL值（使用COALESCE）”、“防范SQL注入（提示使用参数化查询）”、“明确时间区间边界”。
可读性细节： 要求“为每个CTE或子查询起一个描述性的名称”、“在复杂计算旁添加行内注释”。
扩展元素： 可提示包含“执行计划（EXPLAIN）分析”、“查询运行时预估”、“结果集样例预览”。


使用建议

在使用提示词生成查询前，先在脑海中或草稿上明确“业务目标”、“输入表结构”和“期望输出格式”三个要素。
将“核心提示词”中的方括号占位符（如[表名]）替换为您的具体对象，是获得有效结果的关键一步。
对于极度复杂的查询，建议采用“分步提示”策略：先让模型生成查询逻辑框架，再逐步优化子模块和性能。
生成的SQL查询务必在测试环境进行验证，包括结果正确性校验与执行性能评估，切勿直接用于生产环境。
可将优化前后的查询语句及性能对比作为案例沉淀，形成团队内部的提示词优化知识库。