sql-generation

GRID 是一个用于企业级SQL生成的语法约束解码引擎，它使用LALR(1)解析器状态作为可行前缀预言，以强制语法有效性、基于角色的访问控制和按模式策略，提供可证明的保证、近乎恒定的每令牌成本，以及哈希链审计追踪。

本文研究了在选择性预测中哪些信号最能预测文本转SQL的正确性。研究发现，来自LLM判断器的基于验证的信号优于黑盒统计信号（如自一致性），并且双提供者集成模型实现了0.82的AUROC，同时具有良好校准的概率。

提出 SAGE 框架，通过生成漏洞假设并迭代验证，自动揭示基于 LLM 的 Text-to-SQL 生成中的潜在失效模式。实验表明，SAGE 揭示了模型的显著脆弱性，且发现的模式可在模型间迁移，初步微调显示出有前景的修复效果。

本文提出了一种基于语义层的NL2SQL智能体，通过推理精心设计的语义模型将意图与物理执行解耦，在Spider2-snow基准上实现了94.15%的执行准确率。

Soma-SQL提出了一种自主方法，利用合成查询日志和歧义驱动的执行探测，解决自然语言到SQL翻译中的多源歧义问题，在执行准确率上比最先进的基线平均提升13%。

OpenAI 的 cookbook 演示了使用 Agents SDK 的端到端 AI 辅助数据库变更工作流，涵盖影响分析、SQL 生成、验证和评估。

Progress-SQL 提出了一种多轮强化学习框架，采用渐进式奖励用于文本到SQL，利用 Oracle 引导的诊断树提供密集的奖励信号，并在 BIRD 和 Spider 等基准上改进 SQL 查询生成。

本文介绍了AgentNLQ，一个用于自然语言到SQL转换的多代理系统，通过模式增强和自校正编排器在BIRD基准测试上达到了78.1%的语义准确率。

本文介绍了 AIDA，这是一个自主代理框架，旨在通过利用强化学习和专有的领域特定语言来执行 SQL，将碎片化的企业数据转化为可操作的商业洞察。

# OpenAI内部数据代理探秘 来源：[https://openai.com/index/inside-our-in-house-data-agent/](https://openai.com/index/inside-our-in-house-data-agent/) 数据驱动着系统学习、产品演进以及企业决策。但快速、准确且带有正确语境地获取答案，往往比想象中要困难。为了在OpenAI规模扩展时简化这一过程，我们构建了**专属的内部AI数据代理**，它能够在我们的平台上进行探索和推理。**我们的代理**

WrenAI 是一个开源的 GenBI 引擎，使 AI 代理能够从任何数据库生成、部署和管理商业智能仪表板，基于开放的上下文层，提供可信的语义和治理。