Memo-SQL：面向免训练NL2SQL的结构化分解与经验驱动的自我修正
人工智能
2026-01-16 v1
摘要
现有的 NL2SQL 系统面临两个关键限制：（1）它们仅依赖正确示例进行上下文学习，忽略了历史错误-修复对中丰富的信号，而这些信号可以指导更稳健的自我修正；（2）测试时扩展方法通常任意分解问题，在多次运行中产生几乎相同的 SQL 候选，从而降低了集成增益。此外，这些方法存在明显的准确率-效率权衡：高性能需要大量计算，而快速变体则牺牲了质量。我们提出了 Memo-SQL，这是一个免训练框架，通过两个简单的想法解决这些问题：结构化分解和经验感知的自我修正。我们没有将分解留给偶然性，而是应用三种清晰的策略，即按实体分解、按层次分解和按原子顺序分解，以鼓励多样化的推理。对于修正，我们构建了一个包含成功查询和历史错误-修复对的动态记忆，并使用检索增强提示在推理时将相关示例引入上下文，无需微调或外部 API。在 BIRD 数据集上，Memo-SQL 实现了 68.5% 的执行准确率，在开放、零微调方法中达到了新的最高水平，同时使用的资源比先前的测试时扩展方法少 10 倍以上。
引用
@article{arxiv.2601.10011,
title = {Memo-SQL: Structured Decomposition and Experience-Driven Self-Correction for Training-Free NL2SQL},
author = {Zerui Yang and Weichuan Wang and Yanwei Xu and Linqi Song and Yudai Matsuda and Wei Han and Bo Bai},
journal= {arXiv preprint arXiv:2601.10011},
year = {2026}
}