論文の概要: AgentNLQ: A General-Purpose Agent for Natural Language to SQL

• arxiv url: http://arxiv.org/abs/2605.19010v1
• Date: Mon, 18 May 2026 18:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.920546
• Title: AgentNLQ: A General-Purpose Agent for Natural Language to SQL
• Title（参考訳）: AgentNLQ: SQLへの自然言語の汎用エージェント
• Authors: Olena Bogdanov, Yeunji Jung, Chandra Dhir, Pareekshitreddy Gaddam, Saurabh Jain, Lakshmi Tumati, Vijay Parthasarathy, Anup Shirgaonkar,
• Abstract要約: 本研究では, BIg Bench for LaRge-scale Databaseベンチマークにおいて, 78.1%のセマンティック精度を実現するNL2のマルチエージェント手法を提案する。
• 参考スコア（独自算出の注目度）: 2.224371215696068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Natural language to SQL (NL2SQL) conversion is an important problem for researchers and enterprises due to the ubiquitous importance of relational databases in broad-ranging practical problems. Despite the rapid advancements in the capabilities of LLMs, NL2SQL has not reached parity in accuracy with human expert SQL writers, hence needing additional improvements in NL2SQL algorithms. This study presents a new multi-agent method for NL2SQL that achieves 78.1% semantic accuracy on the BIg Bench for LaRge-scale Database (BIRD) benchmark. Our method leverages a semantically enriched representation of user-provided schema, adds user-provided business rules, and produces accurate SQL queries. The main contributions of this study are (a) We designed an optimized new orchestrator in a multi-agent solution that uses LLMs to plan, orchestrate, reflect, and self-correct to generate accurate SQL queries, (b) We developed an advanced schema enrichment method that creates context-aware metadata to improve accuracy, and (c) We demonstrated the accuracy and generalizability of the method across different domains and datasets by evaluating it on the BIRD-SQL benchmark.
• Abstract（参考訳）: 自然言語からSQLへの変換(NL2SQL)は研究者や企業にとって重要な問題である。 LLMの能力の急速な進歩にもかかわらず、NL2SQLは人間の専門家SQL作者と精度が同等ではないため、NL2SQLアルゴリズムのさらなる改善が必要である。 本研究では, BIg Bench for LaRge-scale Database (BIRD)ベンチマークにおいて, 78.1%のセマンティック精度を実現するNL2SQLのマルチエージェント手法を提案する。 提案手法は,ユーザが提供するスキーマのセマンティックにリッチな表現を活用し,ユーザが提供するビジネスルールを追加し,正確なSQLクエリを生成する。 本研究の主な貢献は a) LLMを使って正確なSQLクエリを生成するために、計画、オーケストレーション、リフレクション、自己修正を行うマルチエージェントソリューションで最適化された新しいオーケストレータを設計した。 b) 精度を向上させるために文脈認識メタデータを生成する高度なスキーマ拡張手法を開発した。 (c) BIRD-SQLベンチマークで評価し, 異なる領域やデータセットにまたがる手法の精度と一般化性を実証した。

関連論文リスト

• LLM-Based SQL Generation: Prompting, Self-Refinement, and Adaptive Weighted Majority Voting [7.590911146338215]
  アンサンブル投票(SSEV)を用いたシングルエージェント自己精製法を提案する。 私たちは、エンタープライズデータベースと現実のText-to-Actタスクの複雑さの増加に対処するために、SSEVパイプラインからの洞察に基づいています。 ReCAPAgent-5.5%は、計画、外部知識検索、批評、行動生成、自己修正、スキーマリンク、結果検証のための特殊エージェントを統合している。
  論文  参考訳（メタデータ） (2026-01-25T18:38:58Z)
• End-to-End Text-to-SQL with Dataset Selection: Leveraging LLMs for Adaptive Query Generation [6.5390580456423555]
  従来のアプローチでは、直接変換タスクとしてテキストからクエリをモデル化する。 大規模言語モデル(LLM)の最近の進歩は翻訳精度を大幅に改善した。 本稿では,ユーザの意図するデータベースを識別する3段階のエンドツーエンドテキスト・ツー・エンド・フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-08T15:16:36Z)
• 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)
• Bridging the Gap: Enabling Natural Language Queries for NoSQL Databases through Text-to-NoSQL Translation [25.638927795540454]
  自然言語クエリをアクセス可能なクエリに変換することを目的としたText-to-Noタスクを導入する。 この分野での研究を促進するために、我々はTEND(Text-to-Noデータセットのショートインターフェース)という、このタスクのための大規模かつオープンソースのデータセットをリリースした。 また,SLM(Small Language Model)支援とRAG(Retrieval-augmented Generation)支援の多段階フレームワークSMARTを設計した。
  論文  参考訳（メタデータ） (2025-02-16T17:01:48Z)
• PURPLE: Making a Large Language Model a Better SQL Writer [14.627323505405327]
  NL2タスクに必要な論理演算子構成を含む実演を検索することで精度を向上させるPURPLEを提案する。 PURPLEは、一般的なNL2ベンチマークの検証セット上で80.5%の正確な一致精度と87.8%の実行一致精度という、最先端の新たなパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-03-29T07:01:29Z)
• 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)
• 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)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)

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。