AgentSM：面向Agentic文本到SQL的语义记忆

基于 LLM 的 Text-to-SQL 近期在 BIRD 与 Spider 等公开基准上取得显著进展。然而，这些系统在大而复杂模式、多样 SQL 方言与昂贵的多步推理的现实企业环境中难以扩展。新兴的 agentic 方法显示出自适应推理的潜力，但常有低效与不稳定之弊——重复与数据库交互、产出不一致结果，偶尔无法生成有效答案。为应对这些挑战，我们提出 Agent Semantic Memory（AgentSM），一个构建并利用可解释语义记忆的面向 Text-to-SQL 的 agentic 框架。AgentSM 不依赖原始草稿本或向量检索，而是把先前执行轨迹——或合成的精选轨迹——捕获为直接引导未来推理的结构化程序。这一设计支持系统化复用推理路径，使智能体得以高效可靠地扩展到更大模式、更复杂问题与更长轨迹。与最先进系统相比，AgentSM 在 Spider 2.0 基准上平均 token 用量与轨迹长度分别减少 25% 与 35%，效率更高；同时提升执行准确率，在 Spider 2.0 Lite 基准上达到 44.8% 的最先进准确率。