論文の概要: AutoSQL: Extracting SQL Templates from Imperative ORM Code in Large-Scale Repositories

• arxiv url: http://arxiv.org/abs/2608.15595v1
• Date: Sun, 16 Aug 2026 07:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.358446
• Title: AutoSQL: Extracting SQL Templates from Imperative ORM Code in Large-Scale Repositories
• Title（参考訳）: AutoSQL: 大規模なリポジトリでインペラティブORMコードからSQLテンプレートを抽出する
• Abstract要約: Go ORMコードからsqlテンプレートを再構築するシステムであるAuto sequencesを提案する。 Autoは68.04%から72.18%のリコールを達成し、静的リーチビリティベースラインを11.80%から15.94%上回り、既存のメソッドを8.52%から21.50%上回っている。
• 参考スコア（独自算出の注目度）: 43.381882752672446
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Suboptimal SQL queries can significantly degrade the performance of cloud systems, motivating the extraction and auditing of SQL statements before deployment. However, Go ORM frameworks construct SQL imperatively through scattered method-call sequences, making it difficult to statically recover the resulting SQL templates. We present AutoSQL, a system that reconstructs SQL templates from Go ORM code. AutoSQL constructs a Code Index, a directed graph that captures structural dependencies between functions, types, and global variables as navigable edges. It then traces upstream call chains from ORM invocation sites to identify database-interacting functions as entry points. For each entry point, an LLM agent traverses the Code Index to collect code slices that influence SQL generation, switching to pattern-based search when the graph cannot resolve a retrieval goal. We call this strategy Hybrid Context Retrieval. Once sufficient context is collected, the agent synthesizes SQL templates. Evaluation on a benchmark of 579 test-covered entry points and 1,186 runtime-traced SQL statements from five large-scale Go repositories shows that AutoSQL achieves 68.04% to 72.18% recall, exceeding the static reachability baseline by 11.80% to 15.94% and outperforming existing methods by 8.52% to 21.50%.
• Abstract（参考訳）: 最適化されたSQLクエリは、デプロイ前にSQLステートメントの抽出と監査を動機付けることによって、クラウドシステムのパフォーマンスを著しく低下させる可能性がある。 しかし、Go ORMフレームワークは、散在するメソッド呼び出しシーケンスを通じてSQLを命令的に構築するので、結果のSQLテンプレートを静的に復元することは困難である。 本稿では,Go ORMコードからSQLテンプレートを再構築するシステムであるAutoSQLを紹介する。 AutoSQLは、関数、型、グローバル変数間の構造的依存関係をナビゲート可能なエッジとしてキャプチャする有向グラフであるCode Indexを構築する。 その後、ORM呼び出しサイトから上流のコールチェーンをトレースして、データベースの相互作用する関数をエントリポイントとして識別する。 各エントリポイントに対して、LLMエージェントはコードインデックスを横切り、SQL生成に影響を与えるコードスライスを収集し、グラフが検索目標を解決できない場合にパターンベースの検索に切り替える。 この戦略をHybrid Context Retrievalと呼びます。 十分なコンテキストが収集されると、エージェントはSQLテンプレートを合成する。 5つの大規模Goリポジトリから579のテスト対象エントリーポイントと1,186のランタイムトレースSQLステートメントのベンチマークによる評価によると、AutoSQLは68.04%から72.18%のリコールを達成し、11.80%から15.94%の静的リーチビリティベースラインを超え、既存のメソッドを8.52%から21.50%上回る。

関連論文リスト

• TraceSQL: Traceable Answerability Estimation for Reference-Free Text-to-SQL Verification [0.14658400971135652]
  ユーザ質問、データベースコンテキスト、および生成sqlだけを考えると、システムが生成したクエリが問題に正しく答えるかどうかを見積もることができるだろうか? 近年のアプローチでは、ジェネレーションsqlを検査するためにLLMを判断または特殊エージェントとして用いているが、その決定は追跡が困難である。 明示的な診断機能に基づく軽量かつトレーサブルな検証モデルであるTraceを提案する。 Traceは66.47% F1と64.48% ROC-AUCを61.87% F1と5826% ROC-AUCで達成している。
  論文  参考訳（メタデータ） (2026-08-18T13:56:29Z)
• Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows [54.49251107006261]
  我々はSpider 2.0-AIFuncを紹介した。これは、Snowflakeプラットフォーム上の6種類のAI機能をカバーする125の現実世界データベースにわたる465の検証済みインスタンスのベンチマークである。 最強のプロプライエタリモデルは67-70%の精度で実行でき、最高のオープンソースモデルは58.1%に達する。
  論文  参考訳（メタデータ） (2026-07-07T12:54:08Z)
• Schema-First Retrieval: Embedding Catalogs for Natural Language Analytics [0.10210859604701106]
  現代の倉庫には、数千のテーブル、短縮された列、非公式なメトリクス、隠れた結合規約、および生のテーブル名によってキャプチャされない許可境界が含まれている。 倉庫の行ではなくカタログメタデータを埋め込んだ検索層であるEnterprise-First Retrievalを紹介します。 このシステムは、オブジェクト固有のテキストテンプレートを使用して、5つの型付きカタログオブジェクト、テーブル、列、メトリクス、リレーションシップ、クエリ履歴をインデックスする。
  論文  参考訳（メタデータ） (2026-06-23T02:20:36Z)
• 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)
• FlexSQL: Flexible Exploration and Execution Make Better Text-to-SQL Agents [36.84900072417659]
  私たちはFlex Codeを紹介します。Flex Codeは、柔軟性のあるデータベースインタラクションを基本設計するテキスト・ツー・エージェントです。 この手法はSpider2-Snowに対して10%以上の相対的な改善をもたらす。
  論文  参考訳（メタデータ） (2026-05-04T16:51:31Z)
• AV-SQL: Decomposing Complex Text-to-SQL Queries with Agentic Views [40.813123705793764]
  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。
  論文  参考訳（メタデータ） (2026-04-08T12:56:13Z)
• Track-SQL: Enhancing Generative Language Models with Dual-Extractive Modules for Schema and Context Tracking in Multi-turn Text-to-SQL [50.84251174559123]
  生成言語モデルの性能は、マルチターンテキストソースと同程度に拡張されない。 マルチターンテキスト・ソースにおけるスキーマとコンテキスト変化を追跡するために設計された二重抽出モジュールを用いた生成言語モデルを強化するトラック-を提案する。 Track-は、データセットでそれぞれ7.1%と9.55%のマルチターンインタラクションの実行精度を大幅に改善する。
  論文  参考訳（メタデータ） (2026-03-06T07:57:06Z)
• AutoLink: Autonomous Schema Exploration and Expansion for Scalable Schema Linking in Text-to-SQL at Scale [68.29002818359844]
  既存の方法は違法なコストを発生させ、リコールとノイズのトレードオフに苦労し、大規模データベースに不利なスケーリングを行う。 我々は、反復的エージェント駆動プロセスとしてスキーマリンクを再構成する、自律的なエージェントフレームワークであるtextbfAutoLinkを提案する。 実験ではAutoLinkの優れたパフォーマンスを示し、最先端の厳密なスキーマリンクのリコール、すなわち textbf68.7% EX on Bird-Dev (CHESSより優れている)、 textbf34.9% EX on Spider-2.0-Lite (第2位)を実現している。
  論文  参考訳（メタデータ） (2025-11-21T12:12:17Z)
• 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)
• RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
  本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。 ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。 提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
  論文  参考訳（メタデータ） (2024-10-31T16:22:26Z)
• MAG-SQL: Multi-Agent Generative Approach with Soft Schema Linking and Iterative Sub-SQL Refinement for Text-to-SQL [15.824894030016187]
  近年,テキスト・トゥ・コンテクスト・タスクにおいて,インコンテキスト・ラーニングに基づく手法が顕著な成功を収めている。 これらのモデルのパフォーマンスと、複雑なデータベーススキーマを持つデータセット上でのヒューマンパフォーマンスとの間には、依然として大きなギャップがあります。 本フレームワークでは,データベース内の列の選択にテーブルの要約を含むエンティティベースの手法を用い,それらの複雑な質問を分解するために,新たな目標条件分解手法を導入する。
  論文  参考訳（メタデータ） (2024-08-15T04:57:55Z)

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。