get_sql_generation_prompt
Generates an LLM prompt to convert natural language questions into SQL queries for analyzing Japanese horse racing data. Use with keiba_data_search to run the SQL.
Instructions
自然言語クエリをSQLに変換するためのLLMプロンプトを生成
このツールはSQLを直接実行しません。LLMにSQLを生成させるためのプロンプトを返します。
生成されたSQLは keiba_data_search ツールで実行してください。
Args:
query_text: 自然言語のクエリ
例: "過去3年で東京競馬場の芝1600mで1番人気だった馬の成績を教えて"
例: "ディープインパクト産駒の距離別成績を集計して"
Returns:
LLM用プロンプトとスキーマ情報Input Schema
TableJSON Schema
| Name | Required | Description | Default |
|---|---|---|---|
| query_text | Yes |
Implementation Reference
- src/jvlink_mcp_server/server.py:338-393 (handler)The handler function that implements the 'get_sql_generation_prompt' tool. It builds an LLM prompt containing the database schema, track codes, grade codes, and the user's natural language query, then returns the prompt along with schema info for generating SQL.
@mcp.tool() def get_sql_generation_prompt(query_text: str) -> dict: """自然言語クエリをSQLに変換するためのLLMプロンプトを生成 このツールはSQLを直接実行しません。LLMにSQLを生成させるためのプロンプトを返します。 生成されたSQLは keiba_data_search ツールで実行してください。 Args: query_text: 自然言語のクエリ 例: "過去3年で東京競馬場の芝1600mで1番人気だった馬の成績を教えて" 例: "ディープインパクト産駒の距離別成績を集計して" Returns: LLM用プロンプトとスキーマ情報 """ # スキーマ情報を取得 schema_info = get_schema_description() # プロンプトを構築 prompt = f""" あなたはJVLink競馬データベースのSQLエキスパートです。 以下のユーザーの自然言語クエリをSQLに変換してください。 ### データベース構造: {json.dumps(schema_info, ensure_ascii=False, indent=2)} ### 競馬場コード: {json.dumps(TRACK_CODES, ensure_ascii=False)} ### グレードコード: {json.dumps(GRADE_CODES, ensure_ascii=False)} ### ユーザークエリ: {query_text} ### 要件: 1. 読み取り専用のSELECT文のみ生成 2. JOINが必要な場合は適切に使用 3. WHERE句で適切にフィルタリング 4. 日付フィルタは DATE() 関数を使用 5. 集計が必要な場合はGROUP BYを使用 ### 出力形式: {{ "sql": "生成されたSQLクエリ", "explanation": "クエリの日本語説明", "tables_used": ["使用したテーブルのリスト"], "notes": "注意事項やヒント" }} """ return { "prompt_for_llm": prompt, "hint": "このプロンプトをLLMに渡してSQLを生成してください", "schema_info": schema_info } - src/jvlink_mcp_server/server.py:338-338 (registration)Tool registration via @mcp.tool() decorator on the get_sql_generation_prompt function.
@mcp.tool() - The get_schema_description() helper function used by the tool to fetch database schema info (tables, track codes, grade codes, important notes) that gets embedded into the LLM prompt.
def get_schema_description(): return { "tables": ALL_TABLES, "track_codes": TRACK_CODES, "nar_track_codes": NAR_TRACK_CODES, "grade_codes": GRADE_CODES, "important_notes": [ "NL_: 蓄積系（確定データ）、RT_: 速報系（当日データ）、TS_: 時系列オッズ", "_NAR サフィックス: NAR地方競馬テーブル（JRAと同構造）", "KakuteiJyuni(着順)とNinki(人気)はINTEGER型（1, 2, 3...）", "Umaban(馬番)とWakuban(枠番)もINTEGER型", "JyoCD(競馬場)はTEXT型: JRA='01'-'10', NAR='30'-'57'", "Odds, Time, HaronTimeL3, BaTaijyuはREAL型", "JRA馬マスタ: NL_UM、NAR馬マスタ: NL_UM_NAR（別テーブル）", "速報系(RT_)は当日のみ、過去データはNL_を使用", "JRA+NAR横断分析: UNION ALLでNL_SE + NL_SE_NARを結合", ], } - TRACK_CODES and GRADE_CODES constants imported by server.py and embedded into the prompt for SQL generation context.
TRACK_CODES = {"01": "札幌", "02": "函館", "03": "福島", "04": "新潟", "05": "東京", "06": "中山", "07": "中京", "08": "京都", "09": "阪神", "10": "小倉"} NAR_TRACK_CODES = { "30": "門別", "31": "北見", "32": "岩見沢", "33": "帯広", "34": "旭川", "35": "盛岡", "36": "水沢", "37": "上山", "38": "三条", "39": "足利", "40": "宇都宮", "41": "高崎", "42": "浦和", "43": "船橋", "44": "大井", "45": "川崎", "46": "金沢", "47": "笠松", "48": "名古屋", "49": "園田", "50": "姫路", "51": "益田", "52": "福山", "53": "高知", "54": "佐賀", "55": "荒尾", "56": "中津", "57": "札幌(地)", }