摘要

将自然语言问题转换为SQL查询，即文本到SQL（text-to-SQL），是一个长期存在的研究难题。有效的文本到SQL合成可能会因以下原因变得非常具有挑战性：(i) 数据库目录（表及其列的描述）和数据库值的庞大数量；(ii) 对大型数据库模式进行推理；(iii) 确保生成查询的功能有效性；以及 (iv) 解决自然语言问题中的歧义。我们介绍了CHESS，这是一种基于大语言模型（LLM）的多代理框架，旨在实现高效且可扩展的SQL合成，包含四个专门针对上述挑战的代理：信息检索器（Information Retriever, IR）提取相关数据；模式选择器（Schema Selector, SS）简化大型模式；候选生成器（Candidate Generator, CG）生成高质量候选并迭代优化查询；单元测试器（Unit Tester, UT）通过基于LLM的自然语言单元测试验证查询。我们的框架提供了可配置的功能，以适应不同的部署约束，包括：1) 支持工业规模的数据库：利用模式选择器代理，CHESS能够高效地将非常庞大的数据库模式缩减为可管理的子模式，从而提高系统准确性约2%，同时减少LLM令牌数量约5倍。2) 最先进的隐私保护性能：在使用开源模型的方法中，CHESS实现了最先进水平的性能，构建了一个高性能且具备隐私保护能力的系统，适合工业部署。3) 高计算预算下的可扩展性：在高计算预算的情况下，CHESS在BIRD测试集上达到了71.10%的准确性，与领先的专有方法相比仅相差2%，但所需的LLM调用次数减少了约83%。