SQLFixAgent: 多智能体协作的语义准确 SQL 生成
内容提要
最近提出的基于大型语言模型的多智能体协作文本到 SQL 框架 MAC-SQL，旨在解决复杂数据库和用户查询问题。该框架由 Selector、Decomposer 和 Refiner 三个智能体组成，分别负责压缩数据库、分解问题和验证 SQL 查询。实验结果显示在 BIRD 数据集上达到了 59.59% 的执行准确率，并开源了 SQL-Llama 模型和相关数据集。
延伸解读
多智能体协作如何提升SQL生成准确率
MAC-SQL通过三个智能体分工协作解决文本到SQL的难题：Selector压缩庞大数据库，只保留与问题相关的表模式，降低输入复杂度；Decomposer将复杂问题拆解为子问题，逐步生成SQL；Refiner验证并修正有缺陷的查询。这种分工模拟了人类解决复杂问题的流程，在BIRD数据集上达到了59.59%的执行准确率，表明多智能体协作能有效提升语义准确性。
SQL-Llama模型的表现与局限
研究团队基于Code Llama 7B微调了SQL-Llama模型，并在BIRD和Spider开发集上进行了评估。结果显示，SQL-Llama表现令人鼓舞，但与GPT-4相比仍有显著提升空间。这表明开源小模型在文本到SQL任务上具备潜力，但在复杂查询和庞大数据库场景下，与顶尖大模型存在差距，未来可通过更大规模训练或更优的协作框架来缩小差距。
开源资源与可复现性
MAC-SQL开源了代码、SQL-Llama模型以及基于BIRD和Spider训练数据的代理指令数据集，代码托管在GitHub上。这为研究人员和开发者提供了可复现的基线，便于进一步探索多智能体协作在文本到SQL中的应用。开源数据集和模型也有助于推动该领域的基准测试和公平比较，加速技术迭代。
Q&A
MAC-SQL 框架的主要组成部分是什么？
MAC-SQL 框架由三个智能体组成：Selector、Decomposer 和 Refiner。
MAC-SQL 在 BIRD 数据集上的执行准确率是多少？
在 BIRD 数据集上，MAC-SQL 达到了 59.59% 的执行准确率。
SQL-Llama 模型的表现如何？
SQL-Llama 模型在 BIRD 和 Spider 的开发集上表现良好，但与 GPT-4 模型相比仍有提升空间。
MAC-SQL 框架的目的是什么？
MAC-SQL 框架旨在解决复杂数据库和用户查询问题。
MAC-SQL 框架中的 Selector 智能体负责什么？
Selector 智能体负责压缩庞大的数据库并保留用户问题的相关表模式。
MAC-SQL 框架是如何处理复杂用户查询的？
MAC-SQL 框架通过 Decomposer 将复杂的用户问题分解为更简单的子问题逐步解决。
