{"id":2354,"date":"2026-06-03T15:44:03","date_gmt":"2026-06-03T13:44:03","guid":{"rendered":"https:\/\/askem.eu\/?p=2354"},"modified":"2026-06-03T15:44:08","modified_gmt":"2026-06-03T13:44:08","slug":"vanna-ai-interroger-ses-bases-de-donnees-en-langage-naturel","status":"publish","type":"post","link":"https:\/\/askem.eu\/en\/2026\/06\/03\/vanna-ai-interroger-ses-bases-de-donnees-en-langage-naturel\/","title":{"rendered":"Vanna AI : interroger ses bases de donn\u00e9es en langage naturel"},"content":{"rendered":"

Vanna AI : interroger ses bases de donn\u00e9es en langage naturel, en open source<\/h2>\n\n\n\n

Combien de fois faut-il qu’un m\u00e9tier vienne demander \u00e0 un d\u00e9veloppeur ou \u00e0 un data engineer une requ\u00eate SQL \u00ab\u00a0rapide\u00a0\u00bb pour sortir un chiffre ? Chaque demande devient une interruption, et chaque r\u00e9ponse une dette implicite \u00e0 maintenir. Vanna AI<\/a><\/strong> est un framework Python open source (licence MIT) qui permet de connecter un LLM \u00e0 une base de donn\u00e9es pour g\u00e9n\u00e9rer des requ\u00eates SQL pr\u00e9cises \u00e0 partir de questions formul\u00e9es en fran\u00e7ais ou en anglais. \u00c0 la diff\u00e9rence des solutions cloud propri\u00e9taires, Vanna se d\u00e9ploie chez soi, garde la main sur le mod\u00e8le utilis\u00e9, et apprend du sch\u00e9ma de ses propres bases.<\/p>\n\n\n\n

Pourquoi text-to-SQL est plus difficile qu’il n’y para\u00eet<\/h3>\n\n\n\n

Demander \u00e0 un LLM \u00ab\u00a0\u00e9cris-moi du SQL pour cette question\u00a0\u00bb donne un r\u00e9sultat d\u00e9cevant d\u00e8s que la base d\u00e9passe une dizaine de tables. Le mod\u00e8le invente des noms de colonnes, oublie des jointures, ignore les conventions internes. Le probl\u00e8me n’est pas la g\u00e9n\u00e9ration de SQL en soi, mais la connaissance fine du sch\u00e9ma et des r\u00e8gles m\u00e9tier<\/strong> propres \u00e0 chaque organisation.<\/p>\n\n\n\n

Vanna r\u00e9pond \u00e0 ce probl\u00e8me avec une approche RAG d\u00e9di\u00e9e : la d\u00e9finition du sch\u00e9ma, les exemples de requ\u00eates valid\u00e9es, la documentation m\u00e9tier, sont vectoris\u00e9s dans une base de connaissances. Au moment de la question, les \u00e9l\u00e9ments pertinents sont inject\u00e9s dans le prompt du LLM, qui produit alors une requ\u00eate fid\u00e8le au contexte r\u00e9el.<\/p>\n\n\n\n

Comment \u00e7a fonctionne, concr\u00e8tement<\/h3>\n\n\n\n

Le cycle de Vanna se d\u00e9coupe en trois \u00e9tapes :<\/p>\n\n\n\n

    \n
  1. Entra\u00eenement<\/strong> : on alimente Vanna avec le DDL des tables, des exemples de paires question\/SQL, et de la documentation textuelle. Tout est stock\u00e9 dans une base vectorielle locale (ChromaDB, Qdrant, pgvector, etc.).<\/li>\n\n\n\n
  2. Question<\/strong> : un utilisateur pose une question en langage naturel. Vanna r\u00e9cup\u00e8re les \u00e9l\u00e9ments de contexte les plus pertinents et construit un prompt enrichi.<\/li>\n\n\n\n
  3. G\u00e9n\u00e9ration et ex\u00e9cution<\/strong> : le LLM produit du SQL, qui peut \u00eatre ex\u00e9cut\u00e9 automatiquement sur la base et restitu\u00e9 sous forme de tableau, de graphique, voire d’un commentaire en langage naturel.<\/li>\n<\/ol>\n\n\n\n

    Le tout en quelques lignes de Python, sans d\u00e9pendance lourde.<\/p>\n\n\n\n

    Une stack 100% open source possible<\/h3>\n\n\n\n

    Vanna est compatible avec un \u00e9ventail de briques qui permettent de b\u00e2tir une cha\u00eene compl\u00e8tement souveraine :<\/p>\n\n\n\n