跳转至

文章背景与核心概要

自然语言转 SQL（NL-to-SQL）系统在标准学术基准测试中取得了迅猛进展，但在部署到实际的生产企业环境中时却往往表现不佳。企业级生产环境中的数据库架构通常具有图状、半结构化以及深度嵌套的特点，而传统的基准测试未能对这些复杂性进行有效评估。

为了弥补这一空白，本文作者提出了两项核心贡献：首先是 DevRev NL2SQL 基准测试，包含了 900 个经过执行验证的查询，涵盖嵌套类型和链接图结构，并引入了一种与架构无关的推理深度度量指标——语义深度评分（SDS）；其次是成本感知单次生成智能体架构，该系统针对深度嵌套的企业级架构进行了优化，集成了目标架构选择、元数据检索以及错误修复机制。在 DevRev NL2SQL 基准测试中，该系统实现了 91.7% 的答案正确率，比次优基准高出 54.6 个百分点；在 Spider 2.0 Snowflake 公开数据集上，它在单次生成运行点上也表现出与领先系统不相上下的竞争力。

面向嵌套企业级架构的成本感知自然语言转SQL智能体架构与全新基准测试 (A Cost-Aware Agentic Architecture for NL-to-SQL over Nested Enterprise Schemas, with a New Benchmark)

arXiv: 2609.04642 | 学科: 计算机科学 > 人工智能 (cs.AI) | 提交时间: 2026年9月4日
作者: Yoga Sri Varshan Varadharajan, Ajay Yadav, Ritesh Goru, Prateek Chaudhury, Constantine Caramanis, Prateek Jain, Divyateja Pasupuleti, Sunil Kumar Pandey

📌 执行摘要 (Executive Summary)

尽管自然语言转 SQL（NL-to-SQL）系统在标准学术基准测试中取得了快速进展，但当它们被部署到生产企业环境中时，往往会遭遇失败。生产环境的数据库架构通常呈图状、半结构化且深度嵌套——这些复杂性正是传统基准测试无法评估的。

为了解决这一空白，作者引入了两项主要贡献： 1. DevRev NL2SQL 基准测试： 收集了 900 个经过执行验证的查询，具备嵌套类型和链接图结构，并使用一种称为语义深度评分（SDS）的架构无关推理深度指标进行评估。 2. 成本感知单次生成智能体架构： 一个优化系统，具备针对深度嵌套企业架构定制的目标架构选择、元数据检索和错误修复机制。

核心结果

  • DevRev NL2SQL 基准测试： 实现了 91.7% 的答案正确率，比次优基准高出 54.6 个百分点。
  • Spider 2.0 Snowflake 数据集： 在单次生成的运行点上，展示了与领先系统相媲美的竞争力。

👥 作者 (Authors)

  • Yoga Sri Varshan Varadharajan
  • Ajay Yadav
  • Ritesh Goru
  • Prateek Chaudhury
  • Constantine Caramanis
  • Prateek Jain
  • Divyateja Pasupuleti
  • Sunil Kumar Pandey

📄 摘要 (Abstract)

自然语言转 SQL 系统在学术基准测试中取得了快速进展，然而生产企业级的数据库架构呈现出图状、半结构化、深度嵌套的结构，这是当前基准测试所无法衡量的。我们做出了两项互补的贡献。首先，我们推出了 DevRev NL2SQL 基准测试：包含 900 个经过执行验证的查询，具有嵌套类型和链接图结构，并配有语义深度评分（SDS），这是一个用于分析推理深度的架构无关评分标准。其次，我们提出了一种成本感知单次生成智能体架构，其架构选择、元数据检索和错误修复组件专为该体系施加的需求而设计。在 DevRev NL2SQL 基准测试中，该系统获得了 91.7% 的答案正确率，比次优基准高出 54.6 个百分点；在 Spider 2.0 Snowflake 公开数据集上，它在单次生成操作点上也具有与领先系统竞争的实力。

Natural-language-to-SQL systems have advanced rapidly on academic benchmarks, yet production enterprise schemas exhibit graph-like, semi-structured, deeply nested structure that current benchmarks do not measure. We make two complementary contributions. First, we introduce the DevRev NL2SQL benchmark: 900 execution-verified queries with nested-type and link-graph structure, accompanied by the Semantic Depth Score (SDS), a schema-agnostic rubric for analytical reasoning depth. Second, we present a cost-aware single-generation agentic architecture whose schema-selection, metadata-retrieval, and error-repair components are designed for the requirements this regime imposes. On the DevRev NL2SQL benchmark the system attains 91.7% answer correctness, a margin of 54.6 percentage points over the next-best baseline; on the Spider 2.0 Snowflake public dataset, it is competitive with leading systems at a single-generation operating point.