完成了前三個模組的「工具設定」、「演算法解題」與「代碼重構除錯」後，今天我們正式邁入第四模組——「全端、資料庫與 API 輔助開發」。

在日常軟體開發或報表系統開發中，工程師除了撰寫後端商業邏輯，另一個極常耗費時間的任務就是與關聯式資料庫（RDBMS）打交道。簡單的單表 CRUD 很直覺，但一旦遇到「多表關聯（JOIN）」、「多維度聚合（GROUP BY）」或是「跨列統計排名（Window Functions）」時，手寫複雜 SQL 往往容易遺漏條件、邏輯錯誤，甚至寫出全表掃描（Full Table Scan）的低效語法。

今天我們就來示範：如何讓 ChatGPT 成為專屬的 DBA 助教，只要提供資料庫結構（Schema），就能用白話文精確產出高效且結構嚴謹的 SQL 查詢！

一、自然語言轉 SQL 提示詞模板（Text-to-SQL Prompting）

很多初學者問 AI「幫我查每個月買最多的會員」，卻沒給 Schema，導致 AI 只能自己猜測欄位名稱。想要產出立即可用的高質量 SQL，請使用以下標準模板：

【Text-to-SQL 提示詞範本】
請扮演資深關聯式資料庫管理員（DBA）與 SQL 專家。我目前使用的是 MySQL 8.0（或 PostgreSQL）。

以下是相關資料表的結構（Schema）與關聯：
[貼上 CREATE TABLE 語法或欄位描述清單]

商業查詢需求描述：
[用條列式清楚描述要統計或過濾的目標]

請依序提供以下內容：

1. 完整 SQL 查詢語句：排版清晰，關鍵字大寫，並附帶關鍵邏輯註解。
2. 語法拆解說明：說明為何使用特定的 JOIN 類型（INNER/LEFT）或窗口函數。
3. 效能優化與索引建議：針對此查詢的 WHERE、JOIN 與 ORDER BY 欄位，推薦應建立哪些索引（Index）。
4. 防禦性考量：若整合進後端（如 Spring Boot JPA / MyBatis），該如何防止 SQL 注入？

二、實戰案例：電商各商品分類「消費金額最高」的前 3 名會員

假設我們有以下三張資料表：

• users（使用者表）：user_id, user_name
• orders（訂單表）：order_id, user_id, total_amount, created_at
• order_items（訂單明細）：item_id, order_id, category_id, subtotal

業務目標：
「統計過去一年內，每個商品分類（category_id）中，總消費金額最高的前 3 名會員，並依分類與排名由小到大排序。」

三、AI 生成的進階 SQL 與窗口函數應用

傳統 SQL 若想取「分組內前 N 名」，通常需要寫非常痛苦且效能低落的相關子查詢（Correlated Subquery）。現代資料庫的最佳實踐是使用窗口函數（Window Functions: DENSE_RANK()）：

[AI 生成的 MySQL 8.0 / PostgreSQL 查詢語句]
WITH CategoryUserSpending AS (
    -- 第一階段：計算每個會員在各個分類的總消費金額
    SELECT 
        oi.category_id,
        u.user_id,
        u.user_name,
        SUM(oi.subtotal) AS total_spent,
        -- 使用窗口函數依分類分組，依消費金額降冪排名
        DENSE_RANK() OVER (
            PARTITION BY oi.category_id 
            ORDER BY SUM(oi.subtotal) DESC
        ) AS spending_rank
    FROM users u
    INNER JOIN orders o ON u.user_id = o.user_id
    INNER JOIN order_items oi ON o.order_id = oi.order_id
    WHERE o.created_at >= DATE_SUB(NOW(), INTERVAL 1 YEAR)
    GROUP BY oi.category_id, u.user_id, u.user_name
)
-- 第二階段：從彙總結果中篩選出前 3 名
SELECT 
    category_id,
    user_id,
    user_name,
    total_spent,
    spending_rank
FROM CategoryUserSpending
WHERE spending_rank <= 3
ORDER BY category_id ASC, spending_rank ASC;

四、AI 指出的效能調優與後端安全

在產出 SQL 後，AI 特別點出了兩項工程維度的關鍵細節：

1. 複合索引推薦（Composite Index）

此查詢包含時間過濾與多表關聯，若資料量達到數千萬筆，缺乏索引將引發可怕的磁碟 I/O：

• orders 表：建議建立 (created_at, user_id) 複合索引，讓資料庫能快速鎖定一年內的訂單並進行 JOIN。
• order_items 表：建議建立 (order_id, category_id, subtotal) 覆蓋索引（Covering Index），免去回表查詢（Lookups）的開銷。

2. 後端防禦 SQL Injection

• 參數化查詢（Prepared Statements）：在 Java Spring Boot 或 Node.js 中串接時，絕不能用字串拼接（String Concatenation）把前端傳來的時間或分類組合進 SQL。
• 一律使用預編譯參數佔位符（? 或 :param），確保使用者輸入不會被當作 SQL 語法解析，從根源杜絕 SQL Injection 漏洞。

今日小結與預告

今天我們掌握了利用「Text-to-SQL 模板」將模糊的商業統計需求轉化為結構嚴謹的高效 SQL。透過 CTE（Common Table Expressions）與窗口函數，大幅簡化了繁複的統計邏輯，並獲得了專業的索引建立建議。