SQL 表也能做 LLM 质量评估？Dingo 2.0 支持多字段语义质检

告别繁琐配置，拥抱智能评估！Dingo 2.0.0 正式支持对传统关系型数据库（如 PostgreSQL、MySQL、Doris）中的 SQL 表进行原生、多字段的智能质量评估！

你没看错——现在，你的数据库表可以直接接受大语言模型（LLM）的“质检面试”。 无论是训练 SFT 数据中的 prompt-response 对，还是日常企业业务结构化数据，，只要它们存储在 SQL 表中，Dingo 就能：

• 自动连接数据库，
• 提取指定字段，
• 调用 LLM（如 GPT、Gemini 或本地 Qwen），
• 对数据进行语义级质量判断：回答是否完整？是否文不对题？是否存在幻觉？

这不仅是对数据源支持的扩展，更是将 LLM 原生评估能力下沉到数据源头的关键一步。 从此，高质量 AI 训练数据的保障，不再局限于文件或管道——它就在你的数据库里，实时、智能、可追溯。

Dingo 2.0.0 让每一行 SQL 数据都能被“理解”，而不仅仅是被“读取”。

Dingo 是一个完全开源的项目（Apache 2.0 License）：

• GitHub: https://github.com/MigoXLab/dingo

• 在线 Demo: https://huggingface.co/spaces/DataEval/dingo

• Discord / WeChat 社区: 加入我们的社区，一起讨论、提需求、贡献代码！

---

一、为什么我们需要这个功能？

在 AI 时代，数据是燃料，而数据质量就是引擎的润滑剂。无论是训练大模型、构建 RAG 应用，还是运行企业级智能 SaaS 系统，高质量的数据都是基石。

然而，在实际工作中，我们发现：

• 数据孤岛问题严重：很多核心数据仍然沉淀在 PostgreSQL、MySQL、Doris 等传统数据库中。
• 评估效率低下：传统的数据质量工具（如 Great Expectations）虽然强大，但其配置和使用方式更偏向于“数据管道”或“数据湖”，对于直接操作数据库表的场景，学习成本高、流程繁琐。
• 缺乏语义理解：许多工具只能做简单的空值、类型检查，无法理解“Prompt”和“Response”之间的逻辑关联，这对于 LLM 训练数据尤为重要。

一个典型的现实案例来自 Vimeo（全球领先的视频平台）：

Vimeo 的 BI 团队每天从 Google、Facebook 等广告平台通过 Kafka 摄取大量数据，经 Airflow 处理后写入 Snowflake 数据仓库。他们曾多次遭遇上游服务中断或 Schema 变更，导致下游报表出现“静默错误”——数据缺失或陈旧，但数天都无人察觉，直到业务方投诉。

这说明：数据质量必须前置到数据源头，而不能依赖事后人工排查。Dingo 的这次更新，正是为了解决这些痛点——让数据工程师和 AI 工程师能像写 SQL 一样，直接对数据库表进行高效、智能、多维度的质量评估，真正实现“源头质检、智能洞察”。

---

二、与业界标杆的对比：Dingo 的独特定位

在介绍新功能前，让我们先看看 Dingo 是如何与两位行业巨头——Great Expectations (GX) 和 DQOps ——进行差异化对比情况如下表：

总结来说：

• GX 是“数据契约”的缔造者，适合构建稳健的数据管道。
• DQOps 是“数据健康”的守护者，适合企业级数据治理。
• Dingo 则是“AI 数据”的质检员，它最懂 AI 工程师的需求，能用最简单的方式，解决最核心的问题——确保你的训练数据是干净、有效、安全的。

---

三、Dingo 的核心亮点：让多字段检查变得前所未有的简单

1. 架构示意图

为了帮助大家更好地理解 Dingo 支持多字段质检的工作原理，我们绘制了如下示意图：

模块介绍：

1. 数据源：左侧的数据库图标代表 PostgreSQL、MySQL、Doris 等多种数据源。
2. 数据连接：中间的漏斗代表 Dingo SqlDataset，它负责建立与数据库的直接连接，并抽取字段（如 Prompt, Label, Response）。
3. 数据对象：右侧的立方体代表转换后的结构化 AI 数据对象（JSONL 格式），这是 Dingo 内部处理的标准格式。
4. 质量检查：下方的放大镜和清单图标代表“多字段质量检查”，这里会应用内置规则和 LLM 模型，对数据进行全方位评估。

2. 一行代码连接数据库，无需导出

Dingo 引入了全新的 SqlDataset 概念，让你可以直接从数据库读取数据。

from dingo.config import DatasetArgs, DatasetSqlArgs, InputArgs
from dingo.data.dataset.sql import SqlDataset
from dingo.data.datasource.sql import SqlDataSource

# 配置 SQLite 连接
sql_config = DatasetSqlArgs(
    dialect="sqlite",
    database="test.db"
)

# 配置数据集
dataset_config = DatasetArgs(
    source="sql",
    format="jsonl",   # SQL 每行数据使用 jsonl 格式
    sql_config=sql_config
)

3. 内置丰富规则，覆盖多维度质量

Dingo 不仅支持基础的空值、重复、格式检查，更提供了针对 AI 数据的高级规则：

• 语义相关性检查：检查 response 是否与 prompt 相关。
• 事实性核查：利用 LLM 判断 response 中是否存在事实性错误。
• 安全性评估：检测内容是否包含敏感信息或有害言论。
• 幻觉检测 (Hallucination)：识别 response 中虚构的信息。

这些规则可以组合使用，形成一套完整的质量评估方案。

4. LLM 驱动的智能评估，超越传统规则

这是 Dingo 最大的杀手锏！对于复杂的语义判断，Dingo 可以调用 GPT-4o、Kimi 等大模型进行评估。

llm_config = {
    "model": "gpt-4o",
    "key": "YOUR_API_KEY",
    "api_url": "https://api.openai.com/v1/chat/completions"
}

# 创建 InputArgs
input_args = InputArgs(
    task_name="sql_eval",
    input_path=sql_query,  # SQL 查询放在 input_path
    output_path="outputs/",
    dataset=dataset_config,
    evaluator=[
        {
            "fields": {"content": "title"},  # 指定要评估的数据库字段
            "evals": [
                {"name": "LLMTextWordStick", "config": llm_config}
            ]
        },
        {
            "fields": {"content": "abstract"},  # 指定要评估的数据库字段
            "evals": [
                {"name": "LLMTextRepeat", "config": llm_config}
            ]
        }
    ]
)

想象一下，你不再需要自己编写复杂的正则表达式或 SQL 语句来判断一条记录的好坏，而是交给 AI 来做“主观判断”。这极大地提升了评估的准确性和覆盖面。

---

四、实战案例：如何用 Dingo 检查一个 MySQL 训练数据表？

假设你有一个名为 sft_training 的 MySQL 表，包含 prompt, response, label 三个字段。你想检查这批数据的质量。

Step 1: 安装 Dingo

pip install dingo-python

Step 2: 编写评估脚本

# evaluate_mysql.py
from dingo.config import InputArgs
from dingo.exec import Executor
from dingo.dataset.sql import SqlDataset

# 1. 配置数据库连接
sql_config = DatasetSqlArgs(
    dialect="sqlite",
    driver="",        # SQLite 不需要驱动
    username="",      # SQLite 不需要用户名
    password="",      # SQLite 不需要密码
    host="",          # SQLite 不需要主机
    port="",
    database="test.db"  # 数据库文件路径
)

# 2. 创建 Dataset
dataset_config = DatasetArgs(
    source="sql",
    format="jsonl",   # SQL 每行数据使用 jsonl 格式
    sql_config=sql_config
)

# 3. 配置评估参数
sql_query = "SELECT * FROM test_table"
llm_config = {
    "model": "gpt-4o",
    "key": "YOUR_API_KEY",
    "api_url": "https://api.openai.com/v1/chat/completions"
}
input_args = InputArgs(
    task_name="sql_eval",
    input_path=sql_query,  # SQL 查询放在 input_path
    output_path="outputs/",
    dataset=dataset_config,
    evaluator=[
        {
            "fields": {"content": "title"},  # 指定要评估的数据库字段
            "evals": [
                {"name": "LLMTextWordStick", "config": llm_config}
            ]
        },
        {
            "fields": {"content": "abstract"},  # 指定要评估的数据库字段
            "evals": [
                {"name": "LLMTextRepeat", "config": llm_config}
            ]
        }
    ]
)

# 4. 执行评估
input_args = InputArgs(**input_data)
executor = Executor.exec_map["local"](input_args)
result = executor.execute()

# 5. 查看结果
print("Overall Score:", executor.get_summary()["score"])
print("Bad Records Count:", len(executor.get_bad_info_list()))

Step 3: 运行并查看报告

python evaluate_mysql.py
# 评估完成后，会生成一个 output 目录
python -m dingo.run.vsl --input outputs/xxxxxx/

打开浏览器，你就能看到一份精美的、包含图表和详细数据的报告，清晰地告诉你哪些数据需要清洗。

---

五、未来展望：Dingo 的无限可能

这只是开始！我们正在规划更多激动人心的功能：

• 支持 Agent 应用类质量评估，构建从数据到模型，应用一体化的质量评估。
• 提供更丰富的预设行业数据应用规则模板，覆盖更多行业场景。

---

六、加入我们，共建开源生态！

Dingo 是一个完全开源的项目（Apache 2.0 License），我们欢迎每一位开发者加入！

• GitHub: https://github.com/MigoXLab/dingo
• 在线 Demo: https://huggingface.co/spaces/DataEval/dingo
• Discord / WeChat 社区: 加入我们的社区，一起讨论、提需求、贡献代码！

如果你觉得 Dingo 很棒，请给我们一个 ⭐ Star！你的支持是我们前进的最大动力！如果你有任何疑问、建议或想分享你的使用案例，欢迎在评论区留言，或直接在 GitHub 上提交 Issue！