研究了如何将复杂的文本到SQL任务分解为较小的子任务，从而显著提高大型语言模型（LLMs）在推理过程中的性能，证明了将SQL查询分解为子问题并将这些子问题的解决方案提供给LLMs可以显著提高性能。在三个LLMs上的实验表明，此方法始终将性能提高约10％，推动LLMs的准确性接近最先进水平，甚至超过用于持有Spider数据集的大型精调模型。

Apr, 2023

本文对大型语言模型（LLMs）在Text-to-SQL任务中的应用进行了研究，提出了一种新的集成解决方案DAIL-SQL，并通过实验证明了其在Spider排行榜上取得了86.6%的执行准确率。研究重点在于提示工程中的令牌效率和任务特定的监督微调。通过探索开源LLMs在Text-to-SQL中的潜力，以及任务特定的监督微调的优势和劣势，希望能够对LLMs在Text-to-SQL领域提供更深入的了解，并激发进一步的研究和广泛应用。

Aug, 2023

本研究介绍了一个新的长格式数据库问答数据集，旨在评估大型语言模型（LLMs）与SQL解释器的互动。研究发现即使对于最先进的GPT-4模型，这个任务也存在巨大挑战。我们提出并评估了两种互动策略，并对互动过程中的各个阶段进行了细致分析。一个重要发现是确定了两个主要瓶颈，即规划能力和生成多个SQL查询能力。为了解决准确评估答案质量的挑战，我们引入了一个多代理评估框架，模拟学术同行评审过程，增强了我们评估的精确性和可靠性。该框架使我们能够更加细致地了解当前LLMs在复杂检索和推理任务中的优点和局限性。

Nov, 2023

研究表明，通过任务分解可以大大提高大型语言模型在数据库理解和查询生成方面的能力，从而通过SQL查询回答人类问题。我们提出了一个新的框架，通过将架构划分为块来在有限的上下文中容纳更多信息，该方法的结果与GPT-4相当，但体积更小、速度更快并且成本更低。

Jan, 2024

通过构建新数据集和提出五个评估任务，全面评估不同方法在文本到SQL过程中的性能，揭示了大型语言模型之间的性能差异，并提出了针对每个任务的最佳上下文学习解决方案，为改进基于大型语言模型的文本到SQL系统的开发提供了有价值的见解。

Mar, 2024

我们提出了一种针对开源大型语言模型在Text-to-SQL任务中的上下文理解和响应连贯性问题的系统方法，包括对开源大型语言模型在Text-to-SQL任务中的全面评估，以及用于有效问题表示的openprompt策略、监督微调的新策略、步骤推理中Chain-of-Thought的优势探索和用于增强少样本学习的openexample方法。此外，我们引入了一些高效的技术，如可变长度的开发数据库架构、目标列截断和示例列截断，解决了大规模数据库中的挑战。我们的研究结果强调了对监督微调对上下文学习能力的影响进行进一步研究的必要性。值得注意的是，我们的方法显著提高了Llama2-7B在BIRD-Dev数据集上的性能，从2.54%提高到41.04%，Code Llama-7B在BIRD-Dev数据集上的性能甚至超过了GPT-4（46.35%）。

May, 2024

根据自然语言问题（文本到SQL）生成准确的SQL是一个长期存在的问题，传统的文本到SQL系统使用人工工程和深度神经网络，而最近的大型语言模型（LLMs）已经展示出在自然语言理解方面的显著能力，因此，将LLM-based实现整合到文本到SQL研究中可以带来独特的机遇、挑战和解决方案。

Jun, 2024

本研究解决了大语言模型（LLMs）在文本到SQL任务中的推理能力提升这一问题，提出通过查询组分区的方式，使LLMs专注于单一问题类型的学习。研究表明，应用PTD-SQL的模型在Spider和BIRD数据集上的表现超越或匹敌之前的最新方法，特别是在模型的能力边界上实现了显著提升，显示出与人类学习进步的相似性。

Sep, 2024

本研究旨在解决当前文本到SQL转换中的复杂数据库架构处理和用户查询歧义问题。提出的E-SQL新模型通过直接架构链接和候选谓词增强来改进自然语言查询，与数据库结构更好地结合。实验结果表明，E-SQL在复杂查询上表现出色，测试集的执行准确率达到66.29%。

Sep, 2024

本研究解决了将自然语言查询转化为结构化SQL命令的持续问题，提供了基于大型语言模型的文本转SQL系统的全面演变分析。论文独特地探讨了知识图谱在提高语境准确性和模式链接中的作用，关键发现为当前技术的局限性及未来改进方向。

Oct, 2024