自然语言转SQL（Text2SQL）是Unblocked关系型引擎的技术前身，**核心难题不在生成SQL，而在让生成的结果在复杂企业数据上准确可执行**。从2016年Seq2SQL模型起步，到GPT-4在学术基准Spider 1.0上达到86%准确率，但换上更贴近真实企业数据的Spider 2.0后，成功率骤降至6%。黑盒方案（纯LLM直出SQL）存在幻觉和字段误配风险，白盒方案通过模式对齐与多轮校验（生成→EXPLAIN验证→修正）走出困惑，但准确率仍未突破企业生产门槛。Unblocked的方案本质上在尝试把校验逻辑交由工程架构兜底。

Unblocked演示的查询校验、危险算子拦截、重试机制，背后是Text2SQL生产化的硬仗——**防的不是语法错误，而是模型『聪明反被聪明误』引出的安全与准确问题**。第一道防线在Prompt约束：禁止生成CTE、窗口函数等低级但模型爱用的语法。第二道防线是静态分析：用沙箱扫描生成的SQL，拦截SELECT以外的DROP、ALTER，以及`' OR 1=1--`类注入模式。第三道防线在运行时：EXPLAIN校验判断表和字段是否存在，只有通过才放行执行；同时设置短超时、引向只读副本，防止『一次幻觉拖垮整个库』。Unblocked的引擎把这三道防线做到了全自动流水线。

Unblocked主张语义检索+结构化查询是互补的两条腿，但行业里对『补齐精确检索』的技术路径存在明显分歧。一派走『结构化RAG』路线：将非结构化文档预先转为结构化数据，再用SQL或类似语句精确检索，在合规和报告场景准确率提升60%，召回率接近满分。另一派押注『Agentic RAG』：通过多轮自主检索（查询分解→策略切换→信息充分性判断）突破单次召回瓶颈，复杂问答准确率能提升40%以上。**前者的赌注是『改数据形态』，后者的赌注是『改检索策略』**——Unblocked的立场更接近前者，但以『实时推理schema』取代『提前转换』。

Unblocked把『语义+结构化混合检索』做成实时推理管线，但不等于RAG就要被取代。**更长远的焦点可能在『知识层从检索走向推理』**：阿里等团队提出的金字塔知识库方案，不再依赖每次『从零检索碎片』，而是分层存储、跨层关联和角色感知，让LLM建立『长期记忆』。当前可观察的信号有三个：一是Microsoft GraphRAG已展示图谱化知识的提升效果；二是Agentic RAG将单次召回升级为自主探索；三是Unblocked这类厂商在推动『结构化查询引擎』从实验走向工程。拐点不在单一方案胜出，而在3-6个月内能否出现可信的落地数据——特别是成本与准确率的对比测试。

Unblocked的另一个隐藏难点在于『跨系统身份映射』——把自然语言中的人名解析成不同系统里的有效账号或标签。**这事远不止查个通讯录那么简单**：Agent天然跨系统工作，可能同时需要GitHub账号、Jira工单号、Slack频道ID、K8s工作负载标签里的责任人映射。每个系统有独立身份体系，Agent作为『代理身份』一旦映射出错，要么打不开数据，要么拿到别人的数据。行业里Microsoft等团队提出的解法是把Agent当成『一级主体』（first-class principal），配备独立服务身份、最小权限策略、短期凭证，而非简单继承调用者的Token。