SQL-of-Thought: Multi-agentisches Text-zu-SQL mit geführter Fehlerkorrektur

SQL-of-Thought: Multi-agentic Text-to-SQL with Guided Error Correction

August 30, 2025

papers.authors: Saumya Chaturvedi, Aman Chadha, Laurent Bindschaedler

cs.AI

papers.abstract

Die Umwandlung von natürlichen Sprachanfragen in SQL-Abfragen stellt eine entscheidende Herausforderung sowohl in der Industrie als auch in der Wissenschaft dar, mit dem Ziel, den Zugang zu Datenbanken und groß angelegten Anwendungen zu verbessern. Diese Arbeit untersucht, wie In-Context-Lernen und Chain-of-Thought genutzt werden können, um eine robuste Lösung für Text-to-SQL-Systeme zu entwickeln. Wir schlagen SQL-of-Thought vor: ein Multi-Agenten-Framework, das die Text2SQL-Aufgabe in Schema-Linking, Unterproblemidentifikation, Abfrageplangenerierung, SQL-Generierung und eine geführte Korrekturschleife zerlegt. Im Gegensatz zu früheren Systemen, die sich ausschließlich auf ausführungsbasierte statische Korrektur verlassen, führen wir eine taxonomiegesteuerte dynamische Fehlermodifikation ein, die durch In-Context-Lernen informiert wird. SQL-of-Thought erzielt state-of-the-art Ergebnisse auf dem Spider-Datensatz und seinen Varianten, indem es eine geführte Fehlertaxonomie mit einer auf logischem Denken basierenden Abfrageplanung kombiniert.

English

Converting natural language queries into SQL queries is a crucial challenge in both industry and academia, aiming to increase access to databases and large-scale applications. This work examines how in-context learning and chain-of-thought can be utilized to develop a robust solution for text-to-SQL systems. We propose SQL-of-Thought: a multi-agent framework that decomposes the Text2SQL task into schema linking, subproblem identification, query plan generation, SQL generation, and a guided correction loop. Unlike prior systems that rely only on execution-based static correction, we introduce taxonomy-guided dynamic error modification informed by in-context learning. SQL-of-Thought achieves state-of-the-art results on the Spider dataset and its variants, combining guided error taxonomy with reasoning-based query planning.