北大 & 作业帮团队提出 Text-to-SQL 新框架 Interactive-T2S，攻克宽表处理与低资源对齐难题

本论文由北京大学与作业帮教育科技（北京）有限公司联合研发，核心团队长期深耕自然语言处理与数据库交互领域，聚焦大语言模型（LLMs）在结构化数据查询中的落地痛点，文章已入选国际顶会 CIKM2025‌（第 34 届信息与知识管理国际会议）。对比传统工作中将大型语言模型（LLM）看作一个一次性生成完整 SQL 代码的翻译器，本文将其塑造成一个能够与数据库进行多轮、迭代式交互的智能代理（Agent）。这个代理通过一系列“思考-行动-观察”的循环，逐步分解问题、搜集信息、构建并最终执行 SQL 查询，从而有效解决了现有方法在处理复杂、宽表（列数非常多）数据库时的低效率和资源限制问题。

论文核心信息

论文标题：Interactive-T2S: Multi-Turn Interactions for Text-to-SQL with Large Language Models

作者团队：Guanming Xiong（北京大学）, Junwei Bao*（作业帮）, Hongfei Jiang（作业帮）, Yang Song（作业帮）, Wen Zhao（北京大学）（* 为通讯作者）

所属单位：Peking University; Zuoyebang Education Technology (Beijing), Co., Ltd.

论文链接：https://arxiv.org/abs/2408.11062v1

一、Text-to-SQL 技术的核心价值与现实挑战 

Text-to-SQL 技术作为自然语言与数据库交互的 “桥梁”，能将普通用户的自然语言问题（如 “列出参与足球活动的男性教授姓名”）自动转化为可执行的 SQL 查询，无需用户掌握专业 SQL 语法。这一技术在大数据时代极具实用价值：在企业办公场景中，市场人员可直接查询销售数据表获取区域业绩；在智能教育领域，学生能通过自然语言提问调取题库知识点关联数据；在政务服务中，市民可快速查询社保、公积金等公开信息。

然而，现有基于 LLMs 的 Text-to-SQL 方法仍面临三大关键挑战，制约其大规模落地：

（1）宽表处理效率低下：传统方法需将表中所有列信息输入 LLM 进行 schema 链接，当表中列数过多（即 “宽表”）时，会占用大量 LLM 上下文窗口资源，导致查询延迟升高、成本增加，且难以定位实时更新的单元格值。

（2）低资源场景适配性差：多数方法依赖大量标注的 “自然语言 - SQL” 配对数据选择示例（Exemplars），但低资源场景下标注数据稀缺，且用户查询往往与训练数据分布不一致，导致模型泛化能力骤降。

（3）交互过程缺乏可解释性：现有交互式方法要么直接生成完整 SQL、跳过中间推理步骤，要么工具设计冗余（如将基础 SQL 功能拆分为多个专用工具），既无法追溯 SQL 生成逻辑，也难以高效适配不同数据库场景。

二、Interactive-T2S 框架：以多轮交互与工具链破解核心痛点

针对上述挑战，研究团队提出 Interactive-T2S 框架，将 LLM 视为 “智能查询代理”，数据库视为 “数据环境”，通过 “思考-行动-观察” 的多轮交互逻辑，结合 4 个通用工具实现 SQL 的分步生成与验证，同时仅需 2 个标注示例即可实现少样本学习。

1. 四大核心工具：精准定位信息，降低 LLM 推理负担

框架将 SQL 生成拆解为 “找列找值 - 表关联 - 执行验证” 三步，对应设计 4 个工具，避免 LLM 直接处理海量冗余信息：

（1）SearchColumn（语义找列）：根据自然语言问题的语义（如 “男性教授”“姓名”），对数据库列名、描述进行向量化处理，按相似度排序返回相关列，并附带列的统计特征（文本列返回示例值、数值列返回最值）。例如查询 “教授姓名” 时，可精准定位到 Faculty.Fname（名）与 Faculty.Lname（姓），而非无关的 Student 表列。

（2）SearchValue（模糊找值）：基于 BM25 算法在数据库中搜索目标单元格值（如 “足球活动”），支持指定表 / 列缩小范围，解决实时更新数据的定位问题。例如输入 “Soccer activity”，可返回 Activity 表 name 列中的 “Soccer” 值，无需依赖静态标注数据。

（3）FindShortestPath（表关联找路径）：将数据库 schema 视为 “无向图”（列为节点，外键约束为边），计算两列间最短关联路径， decouple 表关联逻辑与 LLM 语义推理。例如需关联 “教授表” 与 “活动表” 时，自动返回 Faculty.FacID ↔ Faculty_Participates_in.FacID ↔ Faculty_Participates_in.actid ↔ Activity.actid 的路径，避免 LLM 因多表关联复杂而出错。

（4）ExecuteSQL（实时执行验证）：支持直接执行生成的 SQL 并返回结果，为 LLM 提供反馈以修正错误。例如执行 “查询足球活动男性教授” 的 SQL 后，若结果为空，LLM 可回溯调整列筛选条件。

2. 多轮交互逻辑：分步可解释，少样本易学习

Interactive-T2S 遵循 “问题拆解→信息定位→表关联→SQL 执行” 的统一交互流程，每一步均需 LLM 输出 “思考过程 + 工具行动”，确保生成逻辑可追溯：

• 问题拆解与信息定位：LLM 先将自然语言问题拆分为 “需找的列”“需找的值”（如 “足球活动” 对应值、“男性教授” 对应列），调用 SearchValue 与 SearchColumn 获取精准信息；

• 表关联路径计算：区分 SQL 中 “需选择的列”（如教授姓名）与 “需过滤的列”（如活动名称），调用 FindShortestPath 确定表间关联方式；

• SQL 生成与执行：基于前两步结果构建 SQL，调用 ExecuteSQL 执行并验证结果，若符合预期则标记 “Done” 结束交互。

同时，框架仅需提供 2 个含完整交互过程的标注示例（如 “查询参与足球活动的师生姓名”“查询某大学数据库领域高被引作者”），即可通过上下文学习引导 LLM 完成新任务，大幅降低对标注数据的依赖。 

三、实验验证：多数据集突破 SOTA，效率与效果双优

研究团队在 Spider（通用 Text-to-SQL 基准）、BIRD（复杂数据库基准）及其变体数据集（如含领域知识的 Spider-DK、去噪后的 BIRD-FinC）上开展实验，重点验证 “无先验知识”（不依赖额外外部信息）场景下的性能，结果如下：

1. 复杂数据集性能领先

在 BIRD-Dev（无先知知识）数据集上，Interactive-T2S 的执行准确率（EX）达 54.56%，较当前最优方法 ExSL（51.69%）提升 2.87 个百分点；在金融领域去噪数据集 BIRD-FinC 上，其 EX 值（49.06%）显著高于 Zero-shot（31.13%）与 DIN-SQL（47.17%），证明对复杂、噪声数据的适配能力。

2. 宽表处理效率倍增

以 DIN-SQL 为对比基准，Interactive-T2S 在 Spider-Dev 与 BIRD-Dev 上的 prompt token 消耗仅为前者的 36%（4.6k vs 12.8k）与 22%（4.7k vs 21.6k）。这一效率提升源于框架 “动态获取必要信息” 的设计 —— 无需输入全表列信息，仅通过工具调取关键列与值，完美适配宽表场景。

3. 少样本泛化能力突出

在仅使用 2 个示例的固定少样本设置下，Interactive-T2S 在 Spider-Syn（同义词干扰）、Spider-Realistic（隐式列名）等变体数据集上的 EX 值分别达 78.7%、80.7%，与依赖 6-7 个示例的 TA-SQL、SL+CC+RS 性能接近，且在跨领域场景（如 Spider-DK）中泛化能力更优，避免因数据分布差异导致的性能骤降。

4. 多表关联场景优势显著

消融实验显示，移除 FindShortestPath 工具后，在需 4 个及以上表关联的场景中，Spider-150 与 BIRD-150 子集的 EX 值分别下降 22 个、12 个百分点。这表明该工具能有效降低 LLM 的多表关联推理负担，即使面对数据库 schema 设计复杂的场景，也能稳定生成正确关联逻辑。

四、应用价值与未来方向

Interactive-T2S 的创新设计使其在多个领域具备落地潜力：

• 智能教育：适配教育数据库中 “知识点 - 题库 - 学生答题记录” 的多表关联场景，教师可通过自然语言查询 “某知识点错题率 Top3 的班级”，无需编写复杂 SQL；

• 企业数据分析：处理含数百列的业务宽表（如销售数据表），市场人员可快速查询 “某季度某区域客单价变化”，降低对数据分析师的依赖；

• 政务公开查询：简化政务数据查询流程，市民通过 “查询某区 2024 年社保参保人数” 等自然语言提问，即可获取精准结果。

未来，团队将进一步优化工具的计算效率（如加速 FindShortestPath 的图搜索速度），并探索框架在多模态数据（如结合文本与表格数据的查询）中的扩展能力，推动 Text-to-SQL 技术向更复杂的真实场景渗透。