链式查询：通过多智能体协作释放 LLM 在 SQL 辅助表格理解中的力量

表格理解需要结构化、多步骤推理。大型语言模型（LLM）因表格数据的结构复杂性而难以胜任。最近，针对表格数据理解的 SQL 生成多智能体框架显示出前景，但现有方法常受限于无法理解表格结构以实现可靠的 SQL 生成、导致无效查询的 error propagation，以及对 execution correctness 的过度依赖。为此，我们提出 Chain-of-Query（CoQ），一种新的多智能体框架，用于 SQL 辅助表格理解。CoQ 采用自然语言风格的表格 schema 表示，以抽象结构噪声并增强理解。它采用 clause-by-clause 的 SQL 生成策略以提高查询质量，并引入 hybrid reasoning division 将 SQL 基于的机械推理与 LLM 基于的逻辑推理分离，从而减少对 execution 结果的依赖。广泛实验显示，在 four models 和 five widely used benchmarks 上，CoQ 在 accuracy 上实现了显著提升，显著降低了 invalid SQL rates，证明其在表格理解中具有优越效果。代码已公开于 https://github.com/SongyuanSui/ChainofQuery。