arXiv cs.CL· Vigneshwar Ravi Rao, Rupesh Swarnakar, Fayeq Jeelani Syed{\dag}·· 3 天前AI 评分26
基于 LangGraph 的迭代式 Text-to-SQL 智能体：芝加哥犯罪数据库的自然语言访问
An Iterative LangGraph Agent for Text-to-SQL: Natural Language Access to the Chicago Crime Database
AI 导读
研究者构建了一个六节点 LangGraph StateGraph 的 Text-to-SQL 智能体，仅靠提示词工程（未微调模型）完成问题相关性检查、实时 schema 获取、PostgreSQL 生成、dry run 校验、失败重试、查询执行与英文结果叙述。
正文 · AI 翻译
摘要：非技术利益相关者往往无法编写从运营数据库中提取洞察所需的 SQL。我们构建并评估了一个端到端的 Text-to-SQL 智能体来弥合这一差距：一个六节点的 LangGraph StateGraph 会检查问题相关性、获取实时 schema、生成 PostgreSQL、通过试运行进行验证、在失败时重试、执行查询，并用通俗英语叙述结果集。该智能体仅使用提示工程；未对任何模型进行微调。我们在 Chicago Crime 数据集（约 850 万条记录，22 个属性）上，针对一个手工构建的包含 100 个自然语言问题及真实 SQL 的基准进行了评估，该基准分层为 30 个 Easy、40 个 Medium 和 30 个 Hard 项目。比较同一智能体的两个提示修订版本，修订后的系统（V2）达到了 93% 的有效 SQL 率（从 87% 提升），在混合关系等价度量下执行准确率为 60%（从 47% 提升；在严格 JSON 匹配下从 12% 提升至 19%），平均合成质量为 4.34 分（满分 5 分，从 3.91 提升）。最大的单一驱动因素是从系统提示中移除了一条 LIMIT 10 指令，该指令此前一直在截断多行答案。错误分析将残余失败归因于相关性检查器的误拒绝、问题语义模糊以及免费层 API 速率限制，而非语言生成步骤。我们未报告与外部基线系统或公共基准的对比；该研究是单模型工程评估。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；数据库（cs.DB） |
| 引用为： | arXiv:2609.22917 [cs.CL] |
| （或 arXiv:2609.22917v2 [cs.CL] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.22917 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Fayeq Jeelani Syed [查看电子邮件]
[v1]
2026年9月19日星期六 09:54:16 UTC（62 KB）
[v2]
2026年10月14日星期三 03:53:47 UTC（41 KB）
来源：arXiv cs.CL · arxiv.org