MAC-SQL: Multi-Agent Collaboration for Text-to-SQL

最近，采用大型语言模型（LLMs）的Text-to-SQL方法取得了显著的性能表现。然而，这些方法在处理庞大的数据库、复杂的用户查询和错误的SQL结果时仍然遇到困难。为了解决这些挑战，我们提出了一种基于LLMs的多智能体协作Text-to-SQL框架\textbf{MAC-SQL}。该框架包括三个智能体：\textit{选择器}，负责压缩庞大的数据库并保留与用户问题相关的表模式；\textit{分解器}，将复杂的用户问题分解为更简单的子问题并逐步解决；\textit{精化器}，负责验证和精化有缺陷的SQL查询。我们在两个Text-to-SQL数据集BIRD和Spider上进行了全面的实验，BIRD测试集的执行准确率达到了59.59％的最新水平。此外，我们开源了一个指令微调模型\textbf{SQL-Llama}，基于Code Llama 7B，并提供了一个基于BIRD和Spider训练数据的智能体指令数据集。SQL-Llama模型在BIRD和Spider的开发集上表现良好。然而，与GPT-4模型相比，仍有明显的提升潜力。我们的代码和数据可在\href{https://github.com/wbbeyourself/MAC-SQL}{https://github.com/wbbeyourself/MAC-SQL}上公开获取。

MAC-SQL旨在解决Text-to-SQL方法在处理大型数据库、复杂用户查询和错误SQL结果时遇到的困难。

MAC-SQL是一个基于LLMs的多智能体协作Text-to-SQL框架，包括三个代理：选择器、分解器和精炼器。

论文在BIRD和Spider数据集上进行了实验，取得了59.59％的最新执行准确性；开源了SQL-Llama模型和基于BIRD和Spider训练数据的代理指令数据集。

最近的相关研究包括使用LLMs的Text-to-SQL方法和其他基于智能体的Text-to-SQL框架，如SQLNet和CoSQL。