MAC-SQL: A Multi-Agent Collaborative Framework for Text-to-SQL

最近使用大型语言模型（LLMs）的Text-to-SQL方法已经表现出了卓越的性能。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，我们提出了一个新颖的基于多智能体协作的LLM框架——MAC-SQL，用于Text-to-SQL任务。我们的框架包括三个智能体：选择器（Selector），负责压缩庞大的数据库并保存用户问题相关的表模式；分解器（Decomposer），将复杂的用户问题分解成更简单的子问题并逐步解决；以及细化器（Refiner），负责验证和完善有缺陷的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测试集上的执行准确率达到了59.59％，达到了最先进水平。此外，我们还开源了一个基于Code Llama 7B的指令微调模型SQL-Llama，以及一个基于BIRD和Spider训练数据的智能体指令数据集。SQL-Llama模型在BIRD和Spider的开发集上表现出了令人鼓舞的结果。然而，与GPT-4相比，仍有明显的提升潜力。我们的代码和数据可在https://github.com/wbbeyourself/MAC-SQL上公开获取。

MAC-SQL：一个用于Text-to-SQL任务的多智能体协作框架，旨在解决处理大型数据库、复杂用户查询和错误SQL结果的困难。

该框架包括三个代理：选择器、分解器和细化器，分别负责缩小数据库范围、将复杂问题分解为简单问题并逐步解决以及验证和完善SQL查询。

该论文在两个Text-to-SQL数据集BIRD和Spider上进行了全面实验，取得了59.59％的最新执行准确率，并开源了一个指令微调模型SQL-Llama和一个基于BIRD和Spider的代理指令数据集。该论文的亮点还包括使用了大型语言模型和多智能体协作框架，以及实现了最新的执行准确率。

最近的相关研究包括使用大型语言模型的Text-to-SQL方法，如GPT-4和Code Llama。