kimi需先获取真实表结构（如navicat中复制的create table语句）及外键等补充说明，再按①目标字段、②数据来源、③筛选条件、④分组维度、⑤排序规则、⑥限制数量六要素结构化描述需求，方可生成准确高效sql；缺失结构信息或使用模糊表述将导致报错或逻辑偏差。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想让Kimi帮你分析一条报错的SQL、找出慢查询瓶颈，或把自然语言需求直接转成高效可执行的SQL语句，而不是靠猜字段、反复试JOIN、手动加索引提示——这需要让Kimi真正理解你的表结构、数据分布和执行上下文。
第一步：准备并注入真实数据库结构信息
打开Navicat连接目标数据库，在左侧对象浏览器中右键点击对应表→选择【对象信息】→切换到【DDL】选项卡→全选复制CREATE TABLE语句。这一步不能跳过，【Kimi无法自动读取你数据库里的实际表结构，缺失主外键或字段类型会导致生成的SQL在WHERE条件、JOIN关联或类型转换上直接报错】。
若涉及多表关联，额外补一句说明：“orders.user_id是外键，引用users.id；orders.status字段值为'paid'表示已支付，'pending'表示待处理”。
把DDL语句+补充说明粘贴到Kimi对话框最开头，作为系统级上下文输入。
第二步：用结构化指令描述查询意图
不要说“帮我查最近销量好的商品”，要拆解成6个原子要素并按顺序陈述：
① 目标字段：商品名称、分类、近7天销量总和、平均单价；
② 数据来源表：products表、orders表、order_items表；
③ 筛选条件：订单状态为'paid'，下单时间在2026-05-21之后；
④ 分组维度：按products.id和products.name分组；
一键设置，在 OpenClaw 和 Claude Code CLI 中使用 Kimi K2.5 (Kimi Code) 作为编程模型。Kimi Code 兼容 Anthropic Messages API——替换……
⑤ 排序规则：按销量总和降序排列；
⑥ 限制数量：只返回前10条。
这一步必须量化、去口语化。Kimi对“最近”“好”“主要”这类模糊词无解析能力，会自行脑补逻辑导致结果偏差。
第三步：触发Kimi的SQL优化专项能力
方法一：直接提交原始SQL请求诊断
把报错或执行超时的SQL完整粘贴进对话框，末尾加一句：“请分析该SQL的潜在性能问题，指出缺少索引的字段、可下推的WHERE条件、是否应改用EXISTS替代IN，并给出优化后的版本。”
方法二：要求生成带执行计划解释的对比版
追加指令：“请生成两个版本：A版保持原逻辑但添加USE INDEX提示；B版重写为LEFT JOIN + 子查询预过滤，同时说明各自适用场景和预计I/O下降幅度。”
方法三：强制指定目标数据库引擎
在提问开头明确声明：“请生成兼容MySQL 8.0的优化SQL，禁用CTE，使用ANSI JOIN语法，所有字符串比较需加COLLATE utf8mb4_0900_as_cs防止隐式转换。”【不声明数据库类型时，Kimi默认按通用SQL输出，可能包含PostgreSQL特有语法如ILIKE或ROW_NUMBER() OVER窗口函数，直接执行会报错】。
第四步：在Navicat中验证并应用优化结果
将Kimi返回的优化SQL复制到Navicat查询编辑器，先点击【格式化SQL】按钮统一缩进；再右键→【执行计划】查看是否出现Using filesort或Using temporary；最后点击【高亮差异】对比原始SQL与优化版，确认索引提示、JOIN顺序、子查询位置等关键修改已生效。
确认无误后，直接点击【追加到编辑器】插入当前脚本末尾，或选中原始SQL段落点击【替换选中内容】完成覆盖。
