有两个思路可以试试：

一、RAG 思路
把表和字段描述、DDL 、相似问题到 SQL 的映射分别组装成向量库
当提问时，从 SQL 映射、DDL 、表描述三个向量库中分别检索，最终组成一个大的 Prompt 让大模型生成 SQL 并调用数据库工具查询数据。这个方案的优点在于如果你的历史问题到 SQL 的映射足够多，理论上准确度还可以；换个说法，如果你能相对穷举你老板可能会问什么，都写到问题与 SQL 的映射中，你就赢了。

二、通过 DSL 中转
大概思路是基于宽表建立一个表、维度、维度关系的知识库，同时把用户问题通过大模型转换成标准格式的 DSL ，包含表、维度、指标等关系和描述，通过编程的方式把 DSL 转换成 SQL 查询。这个方案的优点在于大模型不需要去生成最终的 SQL ，而是根据 NLP 理解把问题解析成 DSL ，而 DSL 可以有业务语义。