在自然語言（NLP）領域，文本轉 SQL(Text-to-SQL)技術正在快速發展項技術使得普通用戶可以使用日語言輕鬆查詢數據庫，而不需要掌握 SQL 這種專業的程語言。然而，隨着數據庫結構的日益複雜，如何準確地將自然語言轉爲 SQL 命令，成爲了一個不小的挑戰。

華南理工大學與清華大學的研究團隊最近提出了一種新型的解決方案 ——MAG-SQL（多智能生成模型），旨在提升文本轉 SQL 的效果。該方法利用多個智能體合作，致力於提高 SQL 生成的準確性。

MAG-SQL 的工作原理相當巧妙。的核心組件包括 “軟模式鏈接器”、“目標 - 條件分解器”、“子 SQL 生成器” 和 “子 SQL 修正器”。首先，軟模式鏈接器會篩選出與查詢最相關的數據庫列，從而減少不必要的信息干擾，提高生成 SQL 命令的準確度。接着，目標 - 條件分解器將複雜的查詢分解爲更小的子查詢，便於處理。

image.png

隨後，子 SQL 生成器根據之前的結果生成子 SQL 查詢，確保 SQL 令能夠逐步精煉。而最後，子 SQL 修正器則負責糾正生成 SQL 錯誤，進一步提高整體的準確性。這樣的多步驟處理方式，使得 MAG-SQL 在複雜數據庫時表現出色。

在最近的測試中，MAG-SQL 在 BIRD 數據集上的表現相當亮眼。使用 GPT-4模型時，該系統達到了61.08% 的執行準確率，相比於傳統 GPT-4的46.35% 有了顯著提升。即使在使用 GPT-3.5的情況下，MAG-SQL 的準確率也達到了57.62%，超越了之前的 MAC-SQL 方法。此外，MAG-SQL 在另一複雜數據集 Spider 上的表現同樣出色，顯示出其良好的通用性。

MAG-SQL 的推出不僅提升了文本轉 SQL 的準確率，也爲解決複雜查詢提供了新的思路。這種多智能體的框架，通過反覆迭代的精細化處理，極大地增強了大語言模型在實際應用中的能力，特別是在應對複雜數據庫和高難度查詢時。

論文入口：https://arxiv.org/pdf/2408.07930

劃重點:  

📊 ** 準確性提升 **:MAG-SQL 在 BIRD 數據集上達到了61.08% 的執行準確率，遠超傳統 GPT-4的46.35%。  

🔍 ** 多智能體協作 **:該方法利用多個智能體進行分工合作，使得 SQL 生成過程更加高效和準確。  

💡 ** 廣泛應用前景 **:MAG-SQL 在其他數據集（如 Spider）上同樣表現優秀，了其良好的用性與適用性。