論文の概要: ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL

• arxiv url: http://arxiv.org/abs/2606.05836v1
• Date: Thu, 04 Jun 2026 08:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.638727
• Title: ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL
• Title（参考訳）: ProSPy: エンタープライズテキストからSQLへのプロファイリング駆動型SQL-Pythonエージェントフレームワーク
• Authors: Zhaorui Yang, Huawei Zheng, Sen Yang, Yuhui Zhang, Haoxuan Li, Zhizhen Yu, Xuan Yi, Chen Hou, Defeng Xie, Chao Hu, Minfeng Zhu, Dazhen Deng, Haozhe Feng, Danqing Huang, Yingcai Wu, Peng Chen, Wei Chen,
• Abstract要約: ProSPyは、エンタープライズスケールのテキスト-非依存分析のためのプロファイリング駆動フレームワークである。 ProSPyは推論プロセスを4段階に構成する。 まず、自動プロファイリングにより、きめ細かいデータ証拠を抽出する。 大規模なスキーマをタスク関連コンテキストに抽出する。
• 参考スコア（独自算出の注目度）: 51.98164069124653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models have substantially advanced Text-to-SQL systems, yet applying them to enterprise-scale databases remains challenging. Real-world databases often contain large and heterogeneous schemas, incomplete metadata, dialect-specific SQL syntax, and complex analytical questions that are difficult to solve with a single SQL query. To address these challenges, we propose ProSPy, a Profiling-driven SQL--Python agentic framework for enterprise-scale Text-to-SQL. ProSPy structures the reasoning process into four stages: it first extracts fine-grained data evidence through automatic profiling, progressively prunes large schemas into task-relevant contexts, fetches intermediate views through a dialect-agnostic SQL interface, and finally performs flexible downstream analysis with Python. This design combines the efficiency of SQL over large databases with the flexibility of Python-based analysis, while reducing reliance on unreliable metadata and improving robustness across SQL dialects. Experiments on Spider 2.0-Lite and Spider 2.0-Snow show that ProSPy consistently outperforms strong baselines with both open-source and proprietary models, achieving execution accuracies of 60.15% and 60.51% with Claude-4.5-Opus, without majority voting. Further analysis shows that ProSPy is robust to SQL dialect variations and achieves a favorable trade-off between schema recall and precision.
• Abstract（参考訳）: 大規模言語モデルは、かなり先進的なText-to-SQLシステムを持っているが、エンタープライズ規模のデータベースに適用することは依然として困難である。 現実世界のデータベースには、大きくて異質なスキーマ、不完全なメタデータ、方言固有のSQL構文、単一のSQLクエリで解決が難しい複雑な分析的な質問が含まれることが多い。 これらの課題に対処するため,エンタープライズ規模のテキスト・トゥ・SQLのためのプロファイリング駆動型SQL-PythonエージェントフレームワークであるProSPyを提案する。 ProSPyは、まず自動プロファイリングを通じて詳細なデータエビデンスを抽出し、タスク関連コンテキストに大規模スキーマを段階的にプルーフし、方言に依存しないSQLインターフェースを通じて中間ビューを取得し、最後にPythonで柔軟なダウンストリーム分析を行う。 この設計は、大きなデータベース上のSQLの効率性とPythonベースの分析の柔軟性を組み合わせ、信頼性の低いメタデータへの依存を減らし、SQL方言全体の堅牢性を向上させる。 Spider 2.0-LiteとSpider 2.0-Snowの実験では、ProSPyはオープンソースのモデルとプロプライエタリなモデルの両方で一貫して高いベースラインを上回り、クロード4.5-Opusで60.15%と60.51%の精度を達成した。 さらなる分析によると、ProSPyはSQLの方言のバリエーションに対して堅牢であり、スキーマのリコールと精度のトレードオフを良好に達成している。

関連論文リスト

• Benchmarking Text-to-Python against Text-to-SQL: The Impact of Explicit Logic and Ambiguity [5.794032059676749]
  本稿では,クロスパラダイム評価のためのベンチマークであるBIRD-Pythonを紹介する。 我々は、Pythonが明示的な手続き論理を必要とすることを示し、ユーザの意図に非常に敏感であることを示します。 本稿では、潜在ドメイン知識を生成プロセスに組み込むことで曖昧さを解消する論理補完フレームワーク(LCF)を提案する。
  論文  参考訳（メタデータ） (2026-01-22T07:54:45Z)
• SQaLe: A Large Text-to-SQL Corpus Grounded in Real Schemas [2.905751301655124]
  テキスト・ツー・ハブ・モデルを開発する上でのボトルネックは、十分なスキーマとクエリの複雑さ、ドメインカバレッジ、タスクの多様性を備えた大規模なデータセットが不足していることだ。 実世界のスキーマコレクションであるPileから拡張された135,875のリレーショナルデータベーススキーマ上に構築された,大規模半合成のテキスト・ツー・ハグデータセットであるSQaLeを紹介した。 SQaLeは実行の妥当性を維持しながら、現実的なスキーマサイズ、多様なクエリパターン、自然言語の曖昧さをキャプチャする。
  論文  参考訳（メタデータ） (2025-12-16T09:15:10Z)
• 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)
• STARQA: A Question Answering Dataset for Complex Analytical Reasoning over Structured Databases [27.66819120859756]
  SARQAは,3つの特殊リレーショナル・ドメイン・データベース上での複雑な解析的推論質問と回答の公開人為的データセットである。 本稿では,3つの特殊リレーショナル・ドメイン・データベース上での複雑な解析的推論質問と回答の公開人為的データセットであるSTARQAを紹介する。
  論文  参考訳（メタデータ） (2025-09-23T19:26:16Z)
• Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows [64.94146689665628]
  Spider 2.0は、エンタープライズレベルのデータベースのユースケースから派生した、現実のテキストからsqlの問題に対する評価フレームワークである。 Spider 2.0のデータベースは、実際のデータアプリケーションからソースされ、1,000以上の列を含み、BigQueryやSnowflakeなどのローカルまたはクラウドデータベースシステムに格納されることが多い。 Spider 2.0の問題解決には、データベースメタデータ、方言文書、さらにはプロジェクトレベルの理解と検索が頻繁に必要であることを示す。
  論文  参考訳（メタデータ） (2024-11-12T12:52:17Z)
• 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)
• 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)
• UNITE: A Unified Benchmark for Text-to-SQL Evaluation [72.72040379293718]
  テキスト・ツー・ドメイン・システムのためのUNIfiedベンチマークを導入する。 公開されているテキストからドメインへのデータセットと29Kデータベースで構成されている。 広く使われているSpiderベンチマークと比較すると、SQLパターンの3倍の増加が紹介されている。
  論文  参考訳（メタデータ） (2023-05-25T17:19:52Z)

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。