PlanPool：智能体Text-to-SQL的歧义外化问题池

Agentic 智能体Text-to-SQL系统可在生成SQL前与用户交互澄清欠规定查询。但正确的执行结果不一定意味着智能体充分解决了底层欠规定性：它可能静默做出恰好匹配预期答案的未验证假设。我们证明该行为部分由过早的澄清终止驱动：强迫智能体多问问题能提高执行准确率，但歧义集中于早期交互，暴力提问低效；更重要的是，即使明确提示规划澄清过程，智能体也常放弃它已识别为相关的问题。针对这一失败模式，我们提出PlanPool：把澄清计划外化为可变问题池——每个计划问题在提交前必须被显式提出或显式放弃，交互中新发现的歧义可加入池中。在源自BIRD-Interact与Spider的三个基准上，PlanPool相对无约束与基于提示的替代持续改善歧义覆盖率并减少静默失败，同时保持有竞争力的执行准确率。结果凸显智能体推理的重要区分：识别缺失信息并不充分，智能体还必须在提交答案前可靠地维持并解决它们。