LLM用于Text-to-SQL

LLM在Text-to-SQL任务中被广泛使用，研究集中在设计高质量提示以增强LLM的推理能力。最近的研究采用多阶段框架，将Text-to-SQL任务分解为较小的子任务，并为每个子任务设计不同的提示，以提高LLM的性能。常见的多阶段方法通常引入错误校正模块来减少生成的SQL查询中的错误。

基于LLM的智能体

LLM智能体的潜力不断被探索，工具是LLM智能体的关键能力之一，AutoGPT和OpenAgents是开源实现的AI智能体，ToolLLM和API-Bank专注于LLM智能体与各种开放领域应用的交互。MAC-SQL提出了一个多智能体框架来解决Text-to-SQL任务，我们填补了检查和解决SQL查询中数据库不匹配的工具使用空白。

函数调用设计

基于SQL主要子句，设计了八个Python函数，用于组装SQL查询。将SQL查询连接运算符合并为一个函数，简化了LLM智能体的操作空间。引入了“QA()”函数来处理子问题，增强了智能体的推理能力。在推理阶段，智能体一次性生成操作序列，避免了与环境之间的过多交互。数据库检索工具检查条件子句并向智能体提供反馈。

检验工具

数据库检索器用于验证SQL条件子句的正确性，通过检查参数是否匹配数据库中的条目，并提供类似单元格的参考。错误检测器用于检测更严格约束条件的不匹配和SQL执行错误，通过间接访问数据库进行检查。检测过程包括提取数据库架构信息和设计验证程序来检查参数是否满足SQL操作和数据库架构。

SQL生成

使用Python解释器执行这些函数调用并提取SQL查询的主要组件。对于在操作序列中未包含的“WHERE”或“HAVING”子句中缺失的逻辑运算符“AND”和“OR”，我们依靠LLM来预测它们。将所有组件放置后，我们可以组装完整的SQL查询。

本文提出了Tool-SQL框架，旨在解决SQL查询在实际场景中的问题。该框架使用基于LLM的智能体来优化SQL查询，并通过数据库检索器和错误检测器解决实际场景中常见的数据库不匹配问题。实验结果表明，该方法在少样本情况下表现最佳，并且在更现实的干扰下仍能保持高性能，证明了该方法在增强LLM在实际场景中的SQL生成能力方面的有效性。