論文の概要: An Agentic System for Schema Aware NL2SQL Generation

• arxiv url: http://arxiv.org/abs/2603.18018v1
• Date: Wed, 25 Feb 2026 02:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.391886
• Title: An Agentic System for Schema Aware NL2SQL Generation
• Title（参考訳）: NL2SQL生成を考慮したスキーマ認識エージェントシステム
• Authors: David Onyango, Naseef Mansoor,
• Abstract要約: 大規模言語モデル(LLM)は、計算オーバーヘッド、データプライバシ、リソース制約のある環境における実世界のデプロイ可能性に関する懸念を提起する。 本稿では,Small Language Models (SLM) をプライマリエージェントとして戦略的に活用するスキーマベースのエージェントシステムを提案する。 LLMのみのシステムでは0.094のクエリに対して0.0085の平均コストが達成され、ローカルで実行されるクエリではほぼゼロの運用コストが達成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The natural language to SQL (NL2SQL) task plays a pivotal role in democratizing data access by enabling non-expert users to interact with relational databases through intuitive language. While recent frameworks have enhanced translation accuracy via task specialization, their reliance on Large Language Models (LLMs) raises significant concerns regarding computational overhead, data privacy, and real-world deployability in resource-constrained environments. To address these challenges, we propose a schema based agentic system that strategically employs Small Language Models (SLMs) as primary agents, complemented by a selective LLM fallback mechanism. The LLM is invoked only upon detection of errors in SLM-generated output, the proposed system significantly minimizes computational expenditure. Experimental results on the BIRD benchmark demonstrate that our system achieves an execution accuracy of 47.78% and a validation efficiency score of 51.05%, achieving over 90% cost reduction compared to LLM-centric baselines as approximately 67% of queries are resolved using local SLMs. The system achieves an average cost per query of 0.0085 compared to 0.094 for LLM-only systems, achieving near-zero operational costs for locally executed queries. [Github repository: https://github.com/mindslab25/CESMA.]
• Abstract（参考訳）: SQLへの自然言語(NL2SQL)タスクは、非専門家のユーザが直感的な言語でリレーショナルデータベースと対話できるようにすることによって、データアクセスの民主化において重要な役割を果たす。 最近のフレームワークではタスクの特殊化によって翻訳精度が向上しているが、LLM(Large Language Models)への依存は、計算オーバーヘッド、データプライバシ、リソース制約のある環境における実世界のデプロイ可能性に関する重要な懸念を提起している。 これらの課題に対処するために、選択的LLMフォールバック機構によって補完される、Small Language Models (SLM) をプライマリエージェントとして戦略的に活用するスキーマベースのエージェントシステムを提案する。 LLM は SLM 生成した出力の誤差検出時にのみ起動されるため,提案方式は計算費用を大幅に削減する。 BIRDベンチマークによる実験結果から,本システムは47.78%,検証効率スコア51.05%を実現しており,約67%のクエリがローカルSLMを用いて解決されているため,LCM中心のベースラインに比べて90%以上のコスト削減を実現していることがわかった。 LLMのみのシステムでは0.094のクエリに対して0.0085の平均コストが達成され、ローカルで実行されるクエリではほぼゼロの運用コストが達成される。 [Githubリポジトリ:https://github.com/mindslab25/CESMA.]

関連論文リスト

• Rethinking Agentic Workflows: Evaluating Inference-Based Test-Time Scaling Strategies in Text2SQL Tasks [21.891522433628893]
  大規模言語モデル(LLM)はText-to-(Text2)システムにますます力を入れている。 テストタイムのスケーリング戦略はLLMベースのソリューションでは有望だが、現実のアプリケーション、特に最新の推論モデルでは、その有効性は不確実である。 この作業は、Text2システムをデプロイする際の正確性、効率、複雑さの間の実践的なトレードオフに光を当てています。
  論文  参考訳（メタデータ） (2025-10-13T01:29:54Z)
• RAISE: Reasoning Agent for Interactive SQL Exploration [47.77323087050061]
  本稿では,スキーマリンク,クエリ生成,反復的改善を1つのエンドツーエンドコンポーネントに統一する新しいフレームワークを提案する。 本手法は、不慣れなデータベースを扱う際に、人間がどう答えるかをエミュレートする。
  論文  参考訳（メタデータ） (2025-06-02T03:07:08Z)
• A Multi-Agent Approach to Fault Localization via Graph-Based Retrieval and Reflexion [8.22737389683156]
  従来のフォールトローカライゼーション技術は、広範なトレーニングデータセットと高い計算資源を必要とする。 大規模言語モデル(LLM)の最近の進歩は、コード理解と推論を強化することで、新たな機会を提供する。 LLM4FLは3つの特殊なLLMエージェントを利用するマルチエージェントの故障局所化フレームワークである。 14のJavaプロジェクトから675の障害を含むDefects4Jベンチマークで評価され、LLM4FLはAutoFLよりも18.55%、SoapFLより4.82%、Top-1の精度が18.55%向上した。
  論文  参考訳（メタデータ） (2024-09-20T16:47:34Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• CHESS: Contextual Harnessing for Efficient SQL Synthesis [1.9506402593665235]
  効率的でスケーラブルなテキスト・ツー・クエリのためのフレームワークであるCHESSを紹介します。 特殊エージェントは4つあり、それぞれが上記の課題の1つをターゲットにしている。 私たちのフレームワークは、さまざまなデプロイメント制約に適応する機能を提供する。
  論文  参考訳（メタデータ） (2024-05-27T01:54:16Z)
• Can LLMs substitute SQL? Comparing Resource Utilization of Querying LLMs versus Traditional Relational Databases [5.00014493382197]
  大規模言語モデル(LLM)は、ソフトウェアエンジニアリングプロセスにおいて、さまざまなタイプのタスクを自動化または置換することができる。 本研究では,従来のsqlに対する自然言語クエリの解釈と実行において,LLMの資源利用と精度を評価する。
  論文  参考訳（メタデータ） (2024-04-12T16:44:28Z)
• Text-to-SQL Empowered by Large Language Models: A Benchmark Evaluation [76.76046657162306]
  大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。 大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。
  論文  参考訳（メタデータ） (2023-08-29T14:59:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。