CoE-SQL: In-Context Learning for Multi-Turn Text-to-SQL with Chain-of-Editions

最近，大型语言模型（LLMs）在各种领域和任务中展示了令人印象深刻的能力。我们研究了多轮文本转SQL任务中提示设计的问题，并尝试增强LLMs在生成SQL查询时的推理能力。在对话上下文中，由于上下文依赖性，当前的SQL查询可以通过仅进行少量操作从前面的SQL查询中修改。我们介绍了我们的方法CoE-SQL，它可以通过编辑链提示LLMs基于先前生成的SQL查询生成SQL查询。我们还进行了广泛的消融研究，以确定我们方法的最佳配置。我们的方法稳定地优于不同的上下文学习基线，并在两个基准SParC和CoSQL上使用LLMs实现了最先进的性能，也与SOTA微调模型竞争。

研究如何在多轮文本转SQL任务中提高大型语言模型的推理能力，解决上下文依赖性对SQL查询的影响问题。

提出了一种名为CoE-SQL的方法，通过编辑链提示大型语言模型在先前生成的SQL查询的基础上生成新的SQL查询，从而提高其推理能力。

论文在SParC和CoSQL两个基准数据集上进行了实验，并进行了广泛的消融研究来确定最佳配置。CoE-SQL方法表现稳定，优于不同的上下文学习基线，并在LLMs上实现了最先进的性能，与最先进的微调模型相当。

最近的相关研究包括《Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task》和《Editing-Based SQL Query Generation for Cross-Domain Context-Dependent Questions》。