CrackSQL: A Hybrid SQL Dialect Translation System Powered by Large Language Models

方言翻译在实现异构数据库系统之间的无缝交互中起着关键作用。然而，由于语法差异和语义上的细微变化，不同方言之间（例如从 PostgreSQL 到 MySQL）的 SQL 查询翻译仍然是一个具有挑战性的任务。现有的方法，包括手动重写、基于规则的系统以及基于大语言模型（LLM）的技术，通常需要较高的维护成本（例如，定制翻译规则），或者会产生不可靠的结果（例如，LLM 生成不存在的函数），尤其是在处理复杂查询时更是如此。在本次演示中，我们介绍了 CrackSQL，这是首个混合型 SQL 方言翻译系统，它结合了基于规则的方法和基于 LLM 的技术来克服这些限制。CrackSQL 利用了 LLM 的适应性以减少人工干预，同时通过基于功能的查询处理对复杂的长 SQL 进行分段，从而提高翻译准确性。为了进一步增强系统的鲁棒性，CrackSQL 引入了一种新的跨方言语法嵌入模型，用于精确的语法对齐，并采用了一种自适应的局部到全局翻译策略，有效解决了相互依赖的查询操作。CrackSQL 支持三种翻译模式，并提供了多种部署和访问方式，包括网页控制台界面、PyPI 包以及命令行提示，便于在各种现实世界应用场景中使用。

论文试图解决SQL查询在不同数据库系统（如PostgreSQL到MySQL）之间的方言翻译问题。这是一个具有挑战性的任务，因为存在语法差异和语义上的细微差别。尽管已有方法如手动重写、基于规则的系统和LLM技术，但这些方法要么需要大量维护工作，要么在处理复杂查询时结果不可靠。

CrackSQL提出了一种混合方法，结合规则和LLM技术来解决SQL方言翻译问题。其关键创新点在于：1) 利用LLM的灵活性减少人工干预；2) 引入功能导向的查询分割策略以提高复杂SQL翻译的准确性；3) 开发了跨方言语法嵌入模型以实现精确的语法对齐；4) 提出了自适应局部到全局翻译策略，有效解决查询操作间的依赖性问题。

CrackSQL支持三种翻译模式，并提供了多种部署方式（如Web控制台、PyPI包和命令行工具），增强了实际应用中的灵活性。此外，该系统通过实验验证了其在复杂查询场景下的性能提升。虽然论文未明确提及数据集或开源代码，但其提出的跨方言语法嵌入模型和局部到全局翻译策略为未来研究奠定了基础，例如探索更多数据库系统的兼容性和进一步优化翻译准确率。

近期相关研究包括：1) SQLFlow（一种将机器学习模型训练流程转换为SQL的工作流工具）；2) TranslatE（一种基于知识图谱的SQL翻译框架）；3) DeepSQL（利用深度学习进行SQL优化的研究）。此外，还有研究专注于特定数据库系统的查询优化，如'Query Optimization Across Heterogeneous Databases'和'SQL Translation Using Neural Machine Translation Models'等。