RAS：通过上下文学习进行反射增强扩展，用于生成可执行密码查询

推理时间缩放可以减少结构化查询生成中的错误，但为查询代码生成分配计算的方法仍未得到充分探索。我们研究 Text2Cypher，其中语言模型生成针对属性图数据库执行的 Cypher 查询。不可执行的查询构成了与语义不准确无关的明显语法错误：语法错误会触发系统从数据库生成的错误消息。这些错误消息通常在推理时被丢弃，而不是通过上下文学习 (ICL) 来利用。我们比较了两种推理方法：独立缩放 (IS)，它执行无记忆重采样；以及反射增强缩放 (RAS)，它通过 ICL 根据先前的执行反馈来调节每次新尝试。在三个 Neo4j 数据集和五种代码专用语言模型中，RAS 在 n{=}5 时将查询执行错误率降低了 41--50%，优于 IS 32--38%。执行错误不仅仅是未能丢弃，而是可操作的反馈，围绕它们构建推理时间计算是比扩展独立样本更有效的可执行路径。