MTSQL-R1: Auf dem Weg zu langfristigem Multi-Turn Text-to-SQL durch agentenbasiertes Training
MTSQL-R1: Towards Long-Horizon Multi-Turn Text-to-SQL via Agentic Training
October 12, 2025
papers.authors: Taicheng Guo, Hai Wang, ChaoChun Liu, Mohsen Golalikhani, Xin Chen, Xiangliang Zhang, Chandan K. Reddy
cs.AI
papers.abstract
Multi-turn Text-to-SQL zielt darauf ab, die konversationellen Äußerungen eines Benutzers in ausführbare SQL-Anweisungen zu übersetzen, wobei die Dialogkohärenz und die Verankerung im Zielschema erhalten bleiben. Die meisten bestehenden Systeme betrachten diese Aufgabe jedoch lediglich als eine einfache Textübersetzungsaufgabe und folgen einem kurzzeitigen Paradigma, bei dem pro Runde eine Abfrage ohne Ausführung, explizite Überprüfung und Verfeinerung generiert wird, was zu nicht ausführbaren oder inkohärenten Ergebnissen führt. Wir stellen MTSQL-R1 vor, ein agentenbasiertes Trainingsframework für langzeitiges Multi-turn Text-to-SQL. Wir fassen die Aufgabe als einen Markov-Entscheidungsprozess (MDP) auf, bei dem ein Agent mit (i) einer Datenbank für Ausführungsfeedback und (ii) einem persistenten Dialoggedächtnis zur Kohärenzüberprüfung interagiert und einen iterativen Zyklus von Vorschlag zur Ausführung -> Überprüfung -> Verfeinerung durchläuft, bis alle Prüfungen bestanden sind. Experimente auf COSQL und SPARC zeigen, dass MTSQL-R1 durchweg starke Baseline-Modelle übertrifft, was die Bedeutung von umgebungsgetriebener Überprüfung und speichergeleiteter Verfeinerung für konversationelle semantische Analyse unterstreicht. Vollständige Rezepte (einschließlich Code, trainierte Modelle, Protokolle, Denkpfade usw.) werden nach der internen Überprüfung veröffentlicht, um zur Gemeinschaftsforschung beizutragen.
English
Multi-turn Text-to-SQL aims to translate a user's conversational utterances
into executable SQL while preserving dialogue coherence and grounding to the
target schema. However, most existing systems only regard this task as a simple
text translation task and follow a short-horizon paradigm, generating a query
per turn without execution, explicit verification, and refinement, which leads
to non-executable or incoherent outputs. We present MTSQL-R1, an agentic
training framework for long-horizon multi-turn Text-to-SQL. We cast the task as
a Markov Decision Process (MDP) in which an agent interacts with (i) a database
for execution feedback and (ii) a persistent dialogue memory for coherence
verification, performing an iterative propose to execute -> verify -> refine
cycle until all checks pass. Experiments on COSQL and SPARC demonstrate that
MTSQL-R1 consistently outperforms strong baselines, highlighting the importance
of environment-driven verification and memory-guided refinement for
conversational semantic parsing. Full recipes (including code, trained models,
logs, reasoning trajectories, etc.) will be released after the internal review
to contribute to community research.