论文
ACTS-SQL：基于大语言模型的Agentic与批判导向树结构SQL正确性
ACTS-SQL: Agentic and Critic-Oriented Tree-Structured SQL Correctness with Large Language Models
摘要
大语言模型（LLM）在Text-to-SQL系统中的应用日益增多，但SQL错误仍是真实世界Text-to-SQL推理管道的主要障碍。现有SQL纠错方法要么依赖大规模高质量训练数据、开销巨大，要么采用单路径Agentic工作流，对早期错误脆弱且容易错误传播。为构建面向工业场景的实用SQL正确性系统，我们提出一个免训练框架，把SQL纠错表述为计划引导的树状调试过程。通过维护多条纠错策略并支持回溯，该框架缓解了迭代精炼过程中的错误累积。我们进一步集成基于执行的验证和子句级诊断工具，以支持策略剪枝和精确错误定位。我们在BIRD-Critic基准上评估该系统，观察到相对强LLM骨干和代表性基于Agent基线的一致准确率提升，较此前最先进方法提高9.42%。该框架还部署在火山引擎的Torch Log Service（TLS）中，支持在线的Text-to-TLS API。在生产环境中，使用代表性强LLM骨干（GPT-5）时，它把真实用户查询的执行准确率从36.77%提升到53.61%。这些结果证明了该方法在真实部署中的有效性和稳定性。
