論文の概要: Prompt as a Data Type: In-Database LLM Prompt Management and Rewriting

• arxiv url: http://arxiv.org/abs/2607.21756v1
• Date: Thu, 23 Jul 2026 19:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:56.973284
• Title: Prompt as a Data Type: In-Database LLM Prompt Management and Rewriting
• Title（参考訳）: データ型としてのPrompt:イン・データベースのLLM Prompt管理と書き換え
• Abstract要約: 大規模言語モデル(LLM)は、データベースが支援するアプリケーションでますます使われている。 しかし、これらの計算を開始するプロンプトは、通常、非構造化フォーマットの外に保存される。 本稿では,プロンプトを品質レベルのデータベースとして扱うデータベースシステムであるPromptDBを紹介する。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are increasingly used in database-backed applications to classify tuples, filter records using semantic predicates, extract structured attributes, and enrich query results. Yet the prompt that start these computations are typically stored outside the DBMS in unstructured formats, making them invisible to query execution, metadata management, and optimization. Drawing on Stonebraker's QUEL as a Data Type and the principles of reflective programming, this paper introduces PromptDB, a database system that treats prompts as tuple-level database values. PromptDB provides a logical PROMPT datatype whose values store a template, bindings to tuple attributes, model metadata, and task metadata. Relations may contain PROMPT attributes directly in base tables, or expose them through views over joined tuples. Users query prompt-valued attributes through generated evaluation views, while the system internally renders, rewrites, optimizes, and executes prompts through an EVAL operator. Making prompts database-visible creates a new optimization space. The key idea is to bring query-optimizer thinking to prompts: just as query optimizers exploit database metadata to rewrite SQL plans, PromptDB exploits database metadata to rewrite prompts. We evaluate PromptDB on synthetic and real-world data workloads across different tasks. The results show how database-guided rewriting improves output validity and yields favorable cost-quality trade-offs compared with static, manually written prompts.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、データベースが支援するアプリケーションにおいて、タプルの分類、セマンティック述語を用いたフィルタリング、構造化属性の抽出、クエリ結果の強化にますます利用されている。 しかし、これらの計算を開始するプロンプトは、通常、非構造化フォーマットでDBMSの外部に格納され、クエリの実行、メタデータ管理、最適化には見えない。 本稿では,データ型としてのStonebrakerのQUELとリフレクティブプログラミングの原理に基づいて,プロンプトをタプルレベルのデータベース値として扱うデータベースシステムであるPromptDBを紹介する。 PromptDBは、テンプレート、タプル属性へのバインディング、モデルメタデータ、タスクメタデータを格納する論理的なProMPTデータ型を提供する。 リレーショナルは、ベーステーブルに直接PROMPT属性を含めるか、結合したタプルのビューを通してそれらを公開することができる。 ユーザは生成された評価ビューを通じてプロンプト値の属性をクエリし、システムは内部でEVALオペレータを通じてプロンプトを描画、書き直し、最適化し、実行する。 データベースビジュアライズをプロンプトすると、新しい最適化スペースが生成される。 クエリオプティマイザがSQLプランの書き直しにデータベースメタデータを利用するのと同じように、PromptDBはプロンプトの書き直しにデータベースメタデータを利用する。 さまざまなタスクにわたる合成および実世界のデータワークロード上で、PromptDBを評価する。 その結果,静的な手書きのプロンプトと比較して,データベース指導による書き直しによって出力の妥当性が向上し,良好なコスト品質のトレードオフが得られることがわかった。

関連論文リスト

• ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL [51.98164069124653]
  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。
  論文  参考訳（メタデータ） (2026-06-04T08:13:05Z)
• Text-to-SQL based on Large Language Models and Database Keyword Search [0.0]
  本稿では,自然言語 (NL) 質問を intosql クエリにコンパイルする手法を提案する。 この戦略にはダイナミックな数ショットの例戦略が含まれており、データベースキーワード検索(KwS)プラットフォームが提供するサービスを活用している。 実験により、この戦略は最先端のアプローチを超越した実世界のリレーショナルデータベース上での精度を達成することが示された。
  論文  参考訳（メタデータ） (2025-01-23T12:03:29Z)
• Can Language Models Enable In-Context Database? [3.675766365690372]
  大型言語モデル (LLM) は、様々なタスクを処理できる数ショットの学習者として登場している。 軽量で人間が読めるインコンテキストデータベースの特徴は、従来のデータベースの代替となる可能性がある。
  論文  参考訳（メタデータ） (2024-11-04T05:25:39Z)
• Learning Metadata-Agnostic Representations for Text-to-SQL In-Context Example Selection [0.3277163122167434]
  In-context Learning(ICL)は、大きな言語モデル(LLM)がプロンプトに追加されたタスクデモの恩恵を受ける強力なパラダイムである。 本稿では,自然言語質問の表現と,共有埋め込み空間におけるクエリの表現を整列する手法を提案する。 我々の手法はMARLOと呼ばれ、クエリ構造を用いてデータベースメタデータを過剰にインデクシングすることなくクエリインテントをモデル化する。
  論文  参考訳（メタデータ） (2024-10-17T21:45:55Z)
• 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)
• Relational Database Augmented Large Language Model [59.38841050766026]
  大規模言語モデル(LLM)は多くの自然言語処理(NLP)タスクに優れる。 彼らは、トレーニングや教師付き微調整プロセスを通じてのみ、新しい知識を取り入れることができる。 この正確で最新のプライベート情報は、通常リレーショナルデータベースに格納される。
  論文  参考訳（メタデータ） (2024-07-21T06:19:10Z)
• RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
  文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。 実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-07-11T08:19:58Z)
• Improving Retrieval-augmented Text-to-SQL with AST-based Ranking and Schema Pruning [10.731045939849125]
  本稿では,テキストからセマンティックへの解析に注目する。 商用データベースのスキーマのサイズとビジネスインテリジェンスソリューションのデプロイ可能性に関する課題から,入力データベース情報を動的に取得する $textASTReS$ を提案する。
  論文  参考訳（メタデータ） (2024-07-03T15:55:14Z)
• SQLPrompt: In-Context Text-to-SQL with Minimal Labeled Data [54.69489315952524]
  Prompt"は、Text-to-LLMのいくつかのショットプロンプト機能を改善するように設計されている。 Prompt"は、ラベル付きデータが少なく、テキスト内学習における従来のアプローチよりも大きなマージンで優れている。 emphPromptはテキスト内学習における従来の手法よりも優れており,ラベル付きデータはほとんどない。
  論文  参考訳（メタデータ） (2023-11-06T05:24:06Z)
• 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)
• Towards Multi-Modal DBMSs for Seamless Querying of Texts and Tables [14.249508312922334]
  マルチモーダルリレーショナル演算子(MMOps)によるデータベースの拡張を提案する。 MMOpsでは、手動でデータ変換することなく、テキストコレクションをテーブルとして扱うことができる。 我々のMMDBプロトタイプは、テキスト・ツー・テーブルのような最先端のアプローチを精度と性能の点で上回りません。
  論文  参考訳（メタデータ） (2023-04-26T13:31:04Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)

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。