NL2SQL的任务是将自然语言问题转换为SQL查询，以便从数据库中获取答案。现有LLM来指导SQL生成的方法在处理大型数据库和复杂多表查询时存在挑战，尤其是在处理冗余信息和提高提示工程效率方面。
-
Table-Retriever：检索与问题最相关的表格。 -
Column-Retriever：在检索到的表格中进一步检索相关列。 -
SQL-Skeleton-Retriever：搜索具有相似SQL骨架的少量示例，并将SQL骨架引入示例组织，以增强上下文学习过程。
(a) 表格检索器的工作流程。该模块计算问题与表格之间的相似度，并检索与问题高度相关的表格。(b) 表格检索器的框架。使用BERT分别对问题和表格进行编码，并使用基于MaxSim的后期交互来计算相似度得分。
(a) 列检索器的工作流程。该模块检索与问题高度相关的列。(b) 列检索器的框架。
(a) SQL骨架检索器的工作流程。 (b) SQL骨架检索器的框架。
https://arxiv.org/pdf/2407.08273RB-SQL: A Retrieval-based LLM Framework for Text-to-SQLprompt：https://anonymous.4open.science/r/Anonymize-A5E7/prompt_case.txt
推荐阅读
-
• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO
-
• 2024：ToB、Agent、多模态
-
• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！
-
• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）
欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
