論文の概要: AV-SQL: Decomposing Complex Text-to-SQL Queries with Agentic Views

• arxiv url: http://arxiv.org/abs/2604.07041v1
• Date: Wed, 08 Apr 2026 12:56:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.539718
• Title: AV-SQL: Decomposing Complex Text-to-SQL Queries with Agentic Views
• Title（参考訳）: AV-SQL:エージェントビューで複雑なテキスト-SQLクエリを分解する
• Authors: Minh Tam Pham, Trinh Pham, Tong Chen, Hongzhi Yin, Quoc Viet Hung Nguyen, Thanh Tam Nguyen,
• Abstract要約: AV-は複雑なテキストからLLMを特殊エージェントに分解するフレームワークである。 AV-は、(1)リライターエージェントが入力クエリを圧縮して明確化し、(2)ビューエージェントがチャンクを処理してエージェントビューを生成し、(3)プランナー、ジェネレータ、およびリバイザエージェントが最終クエリへのビューを協調的に生成する。
• 参考スコア（独自算出の注目度）: 40.813123705793764
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Text-to-SQL is the task of translating natural language queries into executable SQL for a given database, enabling non-expert users to access structured data without writing SQL manually. Despite rapid advances driven by large language models (LLMs), existing approaches still struggle with complex queries in real-world settings, where database schemas are large and questions require multi-step reasoning over many interrelated tables. In such cases, providing the full schema often exceeds the context window, while one-shot generation frequently produces non-executable SQL due to syntax errors and incorrect schema linking. To address these challenges, we introduce AV-SQL, a framework that decomposes complex Text-to-SQL into a pipeline of specialized LLM agents. Central to AV-SQL is the concept of agentic views: agent-generated Common Table Expressions (CTEs) that encapsulate intermediate query logic and filter relevant schema elements from large schemas. AV-SQL operates in three stages: (1) a rewriter agent compresses and clarifies the input query; (2) a view generator agent processes schema chunks to produce agentic views; and (3) a planner, generator, and revisor agent collaboratively compose these views into the final SQL query. Extensive experiments show that AV-SQL achieves 70.38% execution accuracy on the challenging Spider 2.0 benchmark, outperforming state-of-the-art baselines, while remaining competitive on standard datasets with 85.59% on Spider, 72.16% on BIRD and 63.78% on KaggleDBQA. Our source code is available at https://github.com/pminhtam/AV-SQL.
• Abstract（参考訳）: Text-to-SQLは、自然言語クエリを与えられたデータベースの実行可能なSQLに変換するタスクであり、専門家でないユーザがSQLを手動で書かずに構造化データにアクセスできるようにする。 大規模言語モデル(LLM)による急速な進歩にもかかわらず、既存のアプローチは、データベーススキーマが大きく、質問は多くの関係するテーブルに対して多段階の推論を必要とする現実の環境で複雑なクエリに苦慮している。 このような場合、フルスキーマの提供はコンテキストウィンドウを超過することが多く、一方、ワンショット生成は構文エラーや誤ったスキーマリンクのために、実行不可能なSQLを頻繁に生成する。 これらの課題に対処するために、複雑なText-to-SQLを特殊なLLMエージェントのパイプラインに分解するフレームワークであるAV-SQLを紹介します。 AV-SQLの中心はエージェントビューの概念である。エージェント生成共通テーブル式(CTE)は、中間的なクエリロジックをカプセル化し、大きなスキーマから関連するスキーマ要素をフィルタリングする。 AV-SQLは、(1)リライターエージェントが入力クエリを圧縮して明確化し、(2)ビュージェネレータがスキーマチャンクを処理してエージェントビューを生成し、(3)プランナー、ジェネレータ、およびリバイザエージェントが協調してこれらのビューを最終的なSQLクエリに合成する。 大規模な実験により、AV-SQLは挑戦的なSpider 2.0ベンチマークで70.38%の実行精度を達成し、最先端のベースラインを上回り、標準データセットでは85.59%、BIRDでは72.16%、KaggleDBQAでは63.78%の競争力を維持した。 ソースコードはhttps://github.com/pminhtam/AV-SQLで公開されています。

関連論文リスト

• Text-to-SQL as Dual-State Reasoning: Integrating Adaptive Context and Progressive Generation [54.53145282349042]
  DSR-sourced, textbfDual-textbfS textbfReasoning frameworkを導入する。 ポストトレーニングやインコンテキストの例がなければ、DSR-sourcedは競合性能を達成し、スパイダー2.0-Snowで35.28%、BIRD開発で68.32%に達する。
  論文  参考訳（メタデータ） (2025-11-26T13:52:50Z)
• From Queries to Insights: Agentic LLM Pipelines for Spatio-Temporal Text-to-SQL [8.496933324334167]
  本研究では,MistralをベースとしたRellama-sqlcoder-8bによるオーケストレーションにより,簡単なテキストからActまでのベースライン(Rellama-sqlcoder-8b)を提案する。 ニューヨークと東京のチェックインで35の自然言語クエリを評価し,空間的・時間的マルチデータセット推論について検討した。 このエージェントは、データセット 91.4% 対 28.6% よりもかなり精度が高く、地図によるユーザビリティを高め、自然言語の要約を構造化する。
  論文  参考訳（メタデータ） (2025-10-29T22:18:57Z)
• Weaver: Interweaving SQL and LLM for Table Reasoning [62.55797244714265]
  Weaverは、構造化データ検索のためのsqlとセマンティック処理のためのLLMを組み合わせたフレキシブルなステップバイステッププランを生成する。 Weaverは、4つのTableQAデータセットで、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-05-25T03:27:37Z)
• UNJOIN: Enhancing Multi-Table Text-to-SQL Generation via Schema Simplification [50.59009084277447]
  論理生成からスキーマ要素の検索を分離するフレームワークUNJOINを紹介する。 最初の段階では、各列をテーブル名でプレフィックスすることで、データベース内のすべてのテーブルの列名を単一のテーブル表現にマージします。 第2段階では、クエリは、この単純化されたスキーマに基づいて生成され、JOIN、UNION、リレーショナルロジックを再構築することで、元のスキーマにマップされる。
  論文  参考訳（メタデータ） (2025-05-23T17:28:43Z)
• ReFoRCE: A Text-to-SQL Agent with Self-Refinement, Consensus Enforcement, and Column Exploration [32.83579488224367]
  ReFoRCEは、スパイダー2.0のリーダーボードのトップのテキスト・トゥ・信頼のエージェントです。 ReFoRCEは35.83のスパイダー2.0-Snowと36.56のスコアで最先端の結果を得た。
  論文  参考訳（メタデータ） (2025-02-02T05:25:03Z)
• Cooperative SQL Generation for Segmented Databases By Using Multi-functional LLM Agents [48.25853644159186]
  多機能エージェント(CSMA)に基づく協調sql生成フレームワークを提案する。 人間のチームワークにおけるコラボレーションに触発されて、CSMAは3つのステージから構成される。 スパイダーとバードのベックマークの実験では、CSMAは最先端技術に匹敵する高いパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2024-12-08T08:16:19Z)
• E-SQL: Direct Schema Linking via Question Enrichment in Text-to-SQL [1.187832944550453]
  E-Seekは、直接スキーマリンクと候補述語拡張を通じてこれらの課題に対処するように設計された、新しいパイプラインである。 E-Seekは、関連するデータベース項目(テーブル、列、値)と条件を直接質問とsql構築計画に組み込むことで、自然言語クエリを強化し、クエリとデータベース構造の間のギャップを埋める。 総合的な評価は、E-Seekが競争性能、特に66.29%の実行精度で複雑なクエリに優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-25T09:02:48Z)
• MAC-SQL: A Multi-Agent Collaborative Framework for Text-to-SQL [47.120862170230566]
  最近のText-to-Yourselfメソッドは通常、"巨大な"データベース上での大幅なパフォーマンス劣化に悩まされる。 我々は,新しいテキスト・ツー・ユー・セルフ LLM ベースのマルチエージェント協調フレームワーク MAC を紹介する。 我々のフレームワークでは、GPT-4を全てのエージェントタスクの強力なバックボーンとして利用し、フレームワークの上限を決定する。 次に、Code 7Bを活用することで、オープンソースの命令フォローモデルであるsql-Llamaを微調整し、GPT-4のように全てのタスクを達成します。
  論文  参考訳（メタデータ） (2023-12-18T14:40:20Z)

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。