By Unbug 2026 年 4 月的一个月内，微软、亚马逊、戴尔、Snowflake 的四件「自然语言查数据库」（NL2SQL，把提问翻译成 SQL）专利集中公开或授权。生成 SQL 的一层被圈住；判断一条 SQL 是否真答对了问题，这一层还空着。
专利信号
四件均为近期公开或授权文本，公开与授权状态已分别标注：
- US12614037B2，Microsoft Technology Licensing, Llc，2026-04-28 授权：用大模型做复杂数据库的对话式检索接口，用户可在会话中反复改写查询条件。
- US20260111428A1，Amazon Technologies, Inc.，2026-04-23 公开（优先权日 2024-10-23）：先对自然语言做实体抽取与领域预测，再挑出所需数据表，生成「可直接产出 SQL 的实体关系图」，最后由图生成 SQL。
- US20260119483A1，Dell Products L.P.，2026-04-30 公开：把人可读的查询转换为机器可读查询。
- US12613928B2，Snowflake Inc.，2026-04-28 授权：用大模型在数据清单（data listing）里做检索匹配。
同族申请公开文本 US20260220380A1（优先权日 2024-01-31，与 US12614037B2 同名 LARGE LANGUAGE MODEL INTERFACE FOR COMPLEX DATABASES）申请人同为 Microsoft Technology Licensing, Llc。
技术趋势
共同走向：把「一句话翻译成 SQL」从提示词工程挪进结构化中间层。亚马逊的专利不让模型直接写 SQL，先生成实体关系图；微软与 Snowflake 把会话上下文与数据目录做成系统组件。与「通用大模型加一句提示词」的差异：专利方案的准确率取决于元数据厚度（表注释、字段口径、历史查询），不取决于提示词运气。
这意味着 NL2SQL 的竞争点已从「会不会写 SQL」转向「元数据与校验做得够不够厚」。前者被专利与大厂产品占住，后者没有。
落地机会
用户场景：5-20 人的 SaaS 团队把自然语言查数接进内部后台，业务同事问「上月华东退货率」，系统返回一个数字。没人知道这条 SQL 选没选对表、过滤漏没漏退款单——错了也没人发现，直到周报被质疑。
针对这个痛点，一个人能做的那一层是金标准问题集加自动回归校验：把业务方高频的 50-200 条问题固化成期望结果（行数、取值区间、关键字段），每次换模型或改提示词跑一遍；再叠静态检查——漏没漏分区过滤、是否 SELECT *、JOIN 是否放大行数。
现成技术栈：开源库 Vanna 加本地 SQLite/Postgres 做被测对象，BIRD（文到 SQL 公开基准）做能力对照，校验层用 Python 自写。起步成本约 3000-8000 元：API 调用加一台小服务器。
创业发现
- 查数质检服务：给已上线 NL2SQL 的小团队做两周交付——问题集、回归脚本、错误率报告。首批客户从数据外包群与自带报表的 SaaS 团队找，按项目收 1-3 万元。
- 校验插件：同一套检查做成 Postgres 中间件或编辑器插件，按月订阅，每席位几十元。
门槛一句：要读得懂执行计划、能判断结果是否合理。风险一句：模型厂商原生内置评测能力后，独立工具的生存空间会被压缩。
上一篇Agent 轨迹评测专利是给智能体交付物做验收，这一篇是同一道理落到查数场景：先有可核验的分数，才有付费理由。
AI 范式雷达：《智能体正从应用循环迁为集群一等负载》