基于情境学习的文本到 SQL 错误研究
计算与语言
2025-07-02 v2 人工智能
软件工程
摘要
大型语言模型（LLM）已被采用用于执行文本到 SQL 任务，利用其情境学习（ICL）能力将自然语言问题翻译为结构化查询语言（SQL）。然而，这种技术存在正确性问题，需要高效的修复解决方案。本文进行了文本到 SQL 错误的首次全面研究。我们的研究涵盖四种代表性的 ICL 技术、五种基本修复方法、两个基准数据集和两个 LLM 设置。我们发现文本到 SQL 错误十分普遍，并总结了 29 种错误类型（7 类别）。我们也发现现有的修复尝试在高计算开销下仅有限地提高正确性，许多误修复。基于这些发现，我们提出了 MapleRepair，一个新型文本到 SQL 错误检测和修复框架。评估表明，MapleRepair 在修复查询方面优于现有解决方案，成功修复的查询数提高了 13.8%，误修复可忽略，开销降低了 67.4%。
关键词
引用
@article{arxiv.2501.09310,
title = {A Study of In-Context-Learning-Based Text-to-SQL Errors},
author = {Jiawei Shen and Chengcheng Wan and Ruoyi Qiao and Jiazhen Zou and Hang Xu and Yuchen Shao and Yueling Zhang and Weikai Miao and Geguang Pu},
journal= {arXiv preprint arXiv:2501.09310},
year = {2025}
}