A Cost-Aware Agentic Architecture for NL-to-SQL over Nested Enterprise Schemas, with a New Benchmark

论文解决了什么问题

主流 NL-to-SQL 基准如 Spider 2.0-Snow 仅覆盖扁平关系表，无法衡量企业系统中广泛存在的 ARRAY[STRUCT] 嵌套字段、多态链接数组与多跳图遍历。这导致现有系统在生产 schema 上频繁因 LATERAL FLATTEN 误用、子字段缺失或链接类型判别失败而报错，且缺乏针对分析推理深度的统一评测维度。论文要回答的核心问题是：如何构建能真实反映嵌套企业 schema 挑战的评测基准，并设计在该设定下兼顾正确率与推理成本的 agent 架构。

核心方法

作者提出两层 agent 架构：顶层 orchestrator 通过预计算知识图谱工具迭代浏览和扩展 schema，底层 NL2SQL 生成器仅接收组装好的上下文并输出单条 SQL。系统包含预执行查询计划校验器、15+ 类结构化错误分类与定向修复指令、确定性检查与重写链，以及跨查询积累的动态 cheatsheet。所有验证与反馈任务路由至更轻量的次要模型以控制成本，整个流程无需微调，每个查询仅走单次生成轨迹。

与 CHASE-SQL、XiYan-SQL、Agentar-Scale-SQL 等多候选或测试时扩展方法不同，本文系统采用单次生成轨迹，依赖迭代 schema 扩展与结构化错误修复而非候选投票；与 MAC-SQL、DIN-SQL 等 agent 方法相比，本文强调针对嵌套类型的子字段感知检索与 15+ 类错误分类；与 Spider 2.0-Snow 基准相比，DevRev 专门引入 ARRAY[STRUCT]、多态链接图与 SDS 维度，填补扁平 DDL 基准未覆盖的评测空间。

实验结论

• 在 DevRev 全量 900 条查询上，系统答案正确率为 91.7%，FlexSQL 为 37.1%，APEX-SQL 为 27.2%，ReFoRCE 为 29.1%。
• 按 SDS 难度分层，基线正确率随难度单调下降（ReFoRCE 下降 21.3 pp），而本系统在 Easy/Medium/Hard 三桶波动不超过 6 pp，与 FlexSQL 的差距从 44.6 pp 扩大到 57.1 pp。
• 每条正确答案成本：本系统 0.57 美元，APEX-SQL 4.60 美元，FlexSQL 15.35 美元，ReFoRCE 0.93 美元。
• 对基线失败查询注入 SDS 维度定向提示后，ReFoRCE 在 638 条原失败查询上的正确率从 29.1% 提升至 63.2%，APEX-SQL 在 655 条上从 27.2% 提升至 41.4%。
• 在 Spider 2.0-Snow 公开数据集上，系统在单次生成设定下与领先系统持平。

局限性与证据边界

适合谁阅读