沙丘社区
论文

Memo-SQL：面向免训练 NL2SQL 的结构化分解与经验驱动自纠错

Memo-SQL: Structured Decomposition and Experience-Driven Self-Correction for Training-Free NL2SQL

Zerui Yang, Weichuan Wang, Yanwei Xu, Linqi Song, Yudai Matsuda, Wei Han, Bo Bai
模型推理上下文与知识推理验证与自校正记忆Agent记忆

摘要

现有 NL2SQL 系统面临两个关键局限：(1) 它们依赖只包含正确示例的上下文学习，忽视了历史错误-修复对中可指导更稳健自纠错的丰富信号；(2) 测试时扩展方法常常任意分解问题，导致多次运行产生几乎相同的 SQL 候选，削弱集成增益。此外，这些方法存在显著的准确性-效率权衡：高性能需要过多计算，而快速变体牺牲质量。我们提出 Memo-SQL，一个通过两个简单想法解决上述问题的免训练框架：结构化分解与经验感知自纠错。分解不再任其偶然，我们应用实体级、层次化与原子顺序三种清晰策略来鼓励多样化推理。纠错方面，我们构建了同时包含成功查询与历史错误-修复对的动态记忆，并在推理时用检索增强提示把相关示例带入上下文，无需微调或外部 API。在 BIRD 上，Memo-SQL 达到 68.5% 的执行准确率，在开放、零微调方法中创下新的最优水平，同时比既有 TTS 方法少用 10 倍以上资源。

Memo-SQL：面向免训练 NL2SQL 的结构化分解与经验驱动自纠错
图1：标准的用户在环（user-in-the-loop）NL2SQL 工作流与我们提出的自校正框架的概念性比较。在标准方法中，模型生成初始 SQL 查询，随后通过显式用户反馈进行修订，该过程通常只在经验库中存储正确的示例。相比之下，我们的框架在生成之后引入自动自校正步骤：它从动态的错误-纠正记忆（包括过去的失败）中检索相关的错误-纠正对，并在无需用户干预的情况下精炼输出，实现完全免训练的自适应。