PET-SQL: A Prompt-enhanced Two-stage Text-to-SQL Framework with Cross-consistency

最近的文本到SQL（Text2SQL）技术的进展强调在上下文学习中刺激大型语言模型（LLM），取得了显著的结果。然而，当处理冗长的数据库信息和复杂的用户意图时，这些技术面临挑战。本文提出了一个两阶段框架，以提高当前基于LLM的自然语言到SQL系统的性能。我们首先介绍了一种新的提示表示方法，称为参考增强表示法，其中包括模式信息和从表格中随机抽样的单元格值，以指导LLM生成SQL查询。然后，在第一阶段，问题-SQL对作为少样本演示被检索出来，提示LLM生成初步SQL（PreSQL）。之后，对PreSQL中提到的实体进行解析以进行模式链接，这可以显著压缩有用信息。在第二阶段中，使用链接的模式，我们简化了提示的模式信息，并指导LLM生成最终的SQL。最后，作为后处理模块，我们提出使用不同LLM之间的交叉一致性而不是特定LLM内的自我一致性。我们的方法在Spider基准测试中实现了新的SOTA结果，执行精度为87.6%。

这篇论文旨在提高当前基于大型语言模型（LLM）的自然语言到SQL系统的性能，解决处理冗长数据库信息和复杂用户意图的挑战。

该论文提出了一个两阶段框架来增强当前基于LLM的自然语言到SQL系统的性能。第一阶段使用新的提示表示法，称为参考增强表示法，包括模式信息和从表中随机抽样的单元格值，以指导LLM生成SQL查询。第二阶段使用链接的模式简化提示的模式信息，并指导LLM生成最终的SQL。

该论文的方法在Spider基准测试中取得了新的最优结果，执行准确率达到87.6%。实验设计了两个阶段的框架和后处理模块，并使用了跨不同LLM的交叉一致性来进行后处理。

在最近的相关研究中，也有一些关于自然语言到SQL的研究，如《Editing-Based SQL Query Generation for Cross-Domain Context-Dependent Questions》和《Improving Text-to-SQL Evaluation Methodology》等。