切换深色模式
SUQL：让文本条件与数据库条件一起工作
对应 CS224V · 2026-10-14 · A Structured / Unstructured Query Language。日期为校方课表日期，可能调整。核对官方课表。
资料状态
核对日期：2026-09-19。对应课程尚未开课；本文是基于公开课纲与文中原始资料的原创预习技术解读，不是课堂实录、讲义翻译或官方作业答案。本文于 2026-09-20 深度修订。示例为原创教学设计；离线实验与真实模型实验的边界分别说明，不以推演冒充模型实测。
结构化查询已经得到 C1、C5、C6，但用户还要求实践充分。C1 的评价明确支持，C5 明确反对，C6 没有相关信息。现在问题变成：怎样把有不确定性的文本判断放进数据库查询，同时保留可解释的语义？
SUQL 将文本运算放进可组合的查询表示
SUQL 论文定义文本问答与摘要原语，使其能与关系运算组合；它还讨论执行优化。以下是本项目的教学设计，三值标签与缓存结构并非对论文接口的逐字复刻。
将文本判断记作 P(course)，硬条件记作 H(course)。目标是满足 H AND P 的候选，而不是“先找到语义相似的评价，再希望它碰巧符合时间与学分”。
文本阶段返回支持、反对、未知，并保存证据片段。确定推荐要求 H 已确认成立且 P 为支持；未知项可以单独展示，但不能当成不实践或已实践。
为什么先取 top-k 可能改变答案
假设语义排序最前面是 C2、C4，它们的实践评价都很强，但一个时间冲突，一个学期不符。若先取 top-2 再过滤，结果为空；真正符合条件的 C1 排第三，被永久丢掉。
所以“语义检索后过滤”是一个可能损失召回的近似计划，不能不加说明地当作精确查询。可以先限制结构化候选范围，再在其中检索文本；或渐进扩大检索，但仍需证明是否达到任务所需覆盖。
这条原则对“满足条件的所有课程”尤其重要。只查 top-k 无法直接证明全量结果完整。
条件下推什么时候合法
对确定、无副作用的合取条件 H AND P，先检查廉价 H 通常能减少昂贵文本调用。但遇到或条件，不能随意把 H 全局下推。
text
用户条件：(秋季 且 实践充分) 或 明确指定 C4
错误计划：先只保留秋季 → 永远丢掉春季的 C4正确计划必须保留两个分支的并集，再按实体去重。类似地，先 LIMIT 后过滤、先过滤后 LIMIT 通常不等价。优化器的首要责任是保持语义，其次才是省调用。
用成本模型解释执行顺序
对两个确定的合取谓词 A、B，单条检查成本分别为 cA、cB，通过比例为 sA、sB。固定成本和短路执行下：
text
A 后 B：cA + sA × cB
B 后 A：cB + sB × cA假设结构化检查成本 0.1，通过率 20%；文本检查成本 5，通过率 40%。前者优先的平均成本为 1.1，后者优先为 5.04。它解释了为什么廉价且排除率高的条件常值得先做。
实际模型调用可能批处理，成本随文本长度变化，选择率也需要估计，因此这个算例只用于理解优化依据。对有副作用、不稳定或依赖顺序的谓词，不能直接套用。
未知如何参与布尔运算
设支持为 T、反对为 F、证据不足为 U。采用三值组合时，T AND U = U，F AND U = F，T OR U = T，F OR U = U，NOT U = U。这是一套本例明确选择的语义，不意味着任意文本问答接口都天然遵守它。
C6 的硬条件为 T、实践条件为 U，合并后仍为 U。C2 已有时间冲突，硬条件为 F；即使实践未知，合取也已经为 F，因而可以短路省掉一次文本调用。短路节省的依据来自布尔关系，不是因为未知被强制改成了假。
否定尤其危险。用户问“找不以考试为主的课程”，如果直接筛选 label != 'exam_heavy'，缺证据记录可能被当作满足。正确过程是先判断“考试为主”的状态，再对其求否定：未知的否定依然未知。
输出策略则是另一层：只返回 T，还是把 U 放进待核实列表，可以由产品决定。不能通过展示层隐藏未知，就宣称检索阶段已经证明这些候选不符合。分开保存逻辑状态与展示策略，才能在用户降低要求或补充证据时重新计算。
文本结果的缓存需要绑定语义
缓存键只用课程 ID 不够。评价更新、问题从“实践充分”变为“适合初学者”、模型与判断规则变化，都可能改变结果。应至少绑定文档版本、问题含义和判断器版本。
未知结果也可以缓存，但需要有效期或数据变化失效机制。否则新评价已经出现，系统仍永久显示未知。
追踪一条错误到具体阶段
若 C6 被推荐，先看文本标签是否被误判为支持；标签正确为未知而最终仍推荐，则检查布尔组合或展示逻辑。若 C1 消失，检查它是否被 top-k 提前裁掉，或连接重复与聚合改变了结果。
固定 C1–C6 数据，分别运行硬过滤、文本标注、合并和排序，保留中间表。改变一个条件或一条评价，预期只影响依赖它的结果。这比让模型解释“为什么推荐”更能验证真正执行的逻辑。
SQL 的确定性与文本判断的不确定性会在这里相遇；系统必须显式管理二者，而不是把模型输出包装成数据库字段后就视为事实。继续阅读SPINACH，进入需要主动探索模式的知识图谱。