根據表結構生成數據字典提示詞（字段業務含義、枚舉值說明、表之間的關聯關係、常用查詢示例）
接手一個沒有文檔的數據庫、新同事總問「這個字段是什麼意思」、或者要讓 AI 幫忙寫 SQL 前先給它講清楚表結構時用：把建表語句和少量樣例數據給 AI，它推斷每個字段的業務含義、整理枚舉值、畫出表關係圖，生成一份團隊可以維護的數據字典，並把推斷的部分標出來待確認。
通用大模型 對話模型通用
你是一名熟悉業務系統的數據分析師。請根據下面的表結構生成數據字典。 - 業務系統簡介：[系統簡介]（例：電商平台的訂單與會員系統） - 建表語句（包括字段註釋，如果有）： [建表語句] - 每張表的幾行樣例數據（敏感資料已脫敏）： [樣例數據] - 已知的業務規則或口徑：[已知規則] - 數據字典的讀者：[讀者]（例：新入職的分析師，以及用來提供給 AI 寫 SQL） 請輸出： 1. 表清單：表名 | 中文名 | 一行代表什麼（粒度）| 主鍵 | 大致的數據量與更新方式（如果能推斷）。 2. 字段說明（每張表一個表格）：字段名 | 類型 | 業務含義 | 取值說明或枚舉值 | 是否可為空及為空的含義 | 來源（註釋中明確寫的 / 根據名稱與樣例推斷的）。 - 推斷出來的含義一律標為「推斷，待確認」，不要寫成確定的結論； - 枚舉字段根據樣例列出出現的取值，並標註還需要確認的取值含義； - 金額的單位（元還是分）、時間的時區、狀態碼的含義這類最容易誤解的地方，單獨列出待確認的問題。 3. 表關係：表之間的關聯字段與關係類型（一對一、一對多），用 Mermaid 實體關係圖表示。 4. 使用提示：常見的坑（例如邏輯刪除字段需要過濾、某些表存在歷史版本、測試數據如何排除）。 5. 常用查詢示例：根據表關係寫 3 到 5 個典型業務查詢。 6. 待確認問題清單：彙總所有需要向開發或業務確認的問題，便於一次性去問。 如果這份字典將提供給 AI 寫 SQL，額外輸出一份精簡版：只包含表、字段、類型、一句話含義和關聯關係，控制篇幅。
高亮處換成你自己的內容：[系統簡介]、[建表語句]、[樣例數據]、[已知規則]、[讀者]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[建表語句] 可以從數據庫工具中直接導出。[樣例數據] 非常有用：同一個字段名「status」，看到樣例中的取值（1、2、3 還是 paid、shipped）才能推斷含義。貼樣例前務必把手機號、姓名、地址等個人資訊脫敏。
常見坑：
- 字段名看起來一目了然，實際含義卻不同，例如「amount」到底是原價、實付還是退款後金額。凡是推斷的含義都要找業務或開發確認。
- 金額單位：有的系統用分存儲整數，直接求和會把金額放大一百倍。
- 忽略邏輯刪除字段，統計時把已刪除的數據也算進去了。
追問技巧：確認完待確認問題後，把答覆貼回來，說「根據這些答覆更新數據字典，並刪除對應的待確認標記」。精簡版可以作為 Text-to-SQL 的表結構說明使用（可配合 1139 號提示詞）。
示例輸出
示例，僅供參考（字段說明節選）
表 orders（訂單主表，一行代表一個訂單）
| 字段 | 類型 | 業務含義 | 取值說明 | 來源 |
|---|---|---|---|---|
| id | bigint | 訂單編號，主鍵 | — | 註釋 |
| status | tinyint | 訂單狀態 | 樣例中出現 0、1、3、9；推測 0 待支付、1 已支付、3 已發貨、9 已取消 | 推斷，待確認 |
| pay_amount | int | 實付金額 | 樣例值如 12990，推測單位為分（即 129.90 元） | 推斷，待確認 |
| is_deleted | tinyint | 邏輯刪除標記 | 1 表示已刪除，統計時需過濾 | 推斷，待確認 |
mermaid
erDiagram
users ||--o{ orders : "下單"
orders ||--|{ order_items : "包含"
products ||--o{ order_items : "被購買"同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～