우리는 함께 코드와 아이디어를 나누며 더 나은 데이터 환경을 만들기 위한 오픈소스 여정을 떠납니다. 🌍💡

"모두가 더 가치 있는 일에 집중할 수 있기를 바랍니다."

Lang2SQL은 자연어 쿼리를 최적화된 SQL 문으로 변환하는 오픈소스 도구입니다. LangGraph와 DataHub 통합으로 구축되어, 복잡한 데이터베이스 스키마에 대한 깊은 지식 없이도 데이터 사용자들이 효율적인 SQL 쿼리를 생성할 수 있도록 도와줍니다.

• 🗣️ 자연어를 SQL로 변환: 일상 언어를 정확한 SQL 쿼리로 변환
• 📊 스마트 테이블 발견: 의미론적 검색을 사용하여 관련 테이블을 자동으로 찾기
• 🔍 스키마 인식: DataHub 메타데이터를 활용한 정확한 컬럼 매핑
• 🛠️ 웹 인터페이스: 대화형 Streamlit 앱을 통한 사용
• 📈 시각화: 생성된 SQL 쿼리 결과를 다양한 차트와 그래프로 시각화하여 데이터 인사이트를 직관적으로 파악

새로운 데이터팀 구성원들이 자주 직면하는 문제들:

• 🤯 "테이블이 너무 많아! 어디서부터 시작하지?"
• 🧐 "이 JOIN이 맞나요?"
• 🐌 "이 쿼리 성능이 괜찮을까요?"
• 😰 "어떻게 의미있는 인사이트를 추출하지?"

Lang2SQL은 다음을 제공하여 이를 해결합니다:

• ✅ 자연어 입력 → 테이블 추천
• ✅ 적절한 컬럼 조합으로 자동 SQL 생성
• ✅ 모범 사례 기반 성능 최적화

pip install lang2sql

git clone https://github.com/CausalInferenceLab/lang2sql.git
cd lang2sql
pip install -r requirements.txt
python setup.py install

Streamlit 웹 인터페이스 실행:

lang2sql run-streamlit

사용자 정의 포트 및 DataHub 서버와 함께:

lang2sql --datahub_server http://your-datahub-server:8080 run-streamlit -p 8888

• 현재는 pip 패키지 설치로 프로젝트 시작이 어려운 상황입니다.
• .env 파일을 생성하여 설정 관리 (.env.example 참고)

Lang2SQL은 LangGraph를 사용한 다단계 접근 방식을 따릅니다:

1. 📝 자연어 처리: 사용자 의도 파싱 및 핵심 엔티티 추출
2. 🔍 테이블 검색: 의미론적 유사성을 사용한 관련 테이블 찾기 (Vector Search)
3. ⚙️ SQL 생성: 최적화된 SQL 쿼리 생성
4. 🚀 쿼리 시각화: 쿼리 결과를 시각화 합니다.

• LangGraph: LLM 워크플로우 오케스트레이션
• DataHub: 메타데이터 관리 및 활용
• Streamlit: 대화형 웹 인터페이스

• Docker를 활용하여 프로젝트를 컨테이너화하고, pip install lang2sql 설치 후 단일 명령어로 실행 가능하도록 개선합니다.
• CI/CD 파이프라인 구축 및 자동화된 테스트 환경 구성까지 확장할 수 있는 작업입니다.

• 쿼리 생성 과정을 에이전틱하게 개선하여 더욱 지능적이고 자율적인 SQL 생성이 가능하도록 개발합니다.
• 데이터 디스커버리 기능을 강화하여 사용자가 원하는 데이터를 더 효과적으로 찾을 수 있도록 지원합니다.

• 현재 Datahub의 Glossary와 쿼리 예시를 코드로 조회하는 기능이 구현되어 있습니다.
• 이러한 메타데이터를 쿼리 생성 과정에 더욱 긴밀하게 통합하여 컨텍스트 기반의 정확한 SQL 생성을 지원하는 작업입니다.

• 현재는 Datahub를 통해 로컬에 FAISS VectorDB를 생성해야만 사용 가능한 구조입니다.
• 이 결합도를 낮춰서 Datahub 없이도 기존에 준비된 VectorDB만 있으면 바로 활용할 수 있도록 아키텍처를 개선하는 작업입니다.

• 현재 Streamlit을 통한 웹 인터페이스만 지원하고 있습니다.
• CLI, JSON 등 다양한 출력 포맷을 지원하여 사용자가 선호하는 환경에서 유연하게 활용할 수 있도록 개선합니다.

• 프로젝트 사용 패턴과 성능을 모니터링하고, 상세한 로깅 시스템을 구축합니다.
• 사용자 피드백 수집 및 분석 프로세스를 통해 지속적인 개선이 가능한 기반을 마련하는 작업입니다.

• 프로젝트 기여 장벽을 낮추기 위한 포괄적인 문서화 작업입니다.
• 개발자 가이드, 튜토리얼 등을 체계적으로 정리하여 새로운 기여자들이 쉽게 참여할 수 있는 환경을 조성합니다.

커뮤니티의 기여를 환영합니다! 여러분이 도울 수 있는 방법들:

1. 저장소 포크하기
2. 포크 클론: git clone https://github.com/YOUR_USERNAME/lang2sql.git
3. 의존성 설치: pip install -r requirements.txt
4. 기능 브랜치 생성: git checkout -b feature/amazing-feature
5. 변경사항 커밋: git commit -m 'Add amazing feature'
6. 브랜치에 푸시: git push origin feature/amazing-feature
7. Pull Request 열기

버그를 발견했거나 기능 요청이 있으신가요? 다음 정보와 함께 이슈를 열어주세요:

• 문제/기능에 대한 명확한 설명
• 재현 단계 (버그의 경우)
• 예상 동작 vs 실제 동작
• 환경 세부사항

• pre-commit 활성화
• 새로운 기능에 대한 테스트 작성
• 필요시 문서 업데이트
• 원자적이고 잘 설명된 커밋 유지

• 모두를 위한 게임 데이터 검색 시스템 / if(kakaoAI)2024
• AI 데이터 분석가 '물어보새' 등장 – 1부. RAG와 Text-To-SQL 활용
• 테디노트 LangGraph
• DataHub 문서
• Vanna.ai

Role	Name	Skills	Interests
Project Manager	이동욱		LLM, Open Source, Causal Inference
AI Engineer	문찬국		LLM, Agentic RAG, Open Source
Data Analytics Engineer	박경태		LLM-based Engineering
AI Engineer	손봉균		LLM, RAG, AI Planning
Data Scientist	안재일		LLM, Data Analysis, RAG
ML Engineer	이호민		Multi-Agent Systems
AI Engineer	최세영		LLM, RAG, Multi-Agent
Full-Stack Developer	황윤진		LLM Orchestration

python setup.py sdist bdist_wheel
twine upload dist/*

v* 형식의 태그를 푸시하여 자동 PyPI 배포 트리거:

git tag v1.0.0
git push origin v1.0.0

참고: GitHub Secrets에 PYPI_API_TOKEN 설정 필요.

Lang2SQL은 가짜연구소의 인과추론팀에서 개발중인 프로젝트입니다.

• This project is licensed under the MIT License.

가짜연구소는 머신러닝과 AI 기술 발전에 중점을 둔 비영리 조직입니다. 공유, 동기부여, 그리고 협업의 기쁨이라는 핵심 가치를 바탕으로 영향력 있는 오픈소스 프로젝트를 만들어갑니다.

전 세계 5,000명 이상의 연구자들과 함께, 우리는 AI 지식의 민주화와 열린 협업을 통한 혁신 촉진에 전념하고 있습니다.

우리 커뮤니티에 참여하세요:

• 💬 Discord