MTSQL-R1: 에이전트 기반 학습을 통한 장기적 다중 턴 텍스트-to-SQL 접근

초록

다중 턴 Text-to-SQL은 사용자의 대화 발화를 실행 가능한 SQL로 변환하면서 대화의 일관성과 대상 스키마에 대한 정합성을 유지하는 것을 목표로 합니다. 그러나 대부분의 기존 시스템은 이 작업을 단순한 텍스트 번역 작업으로 간주하고, 실행 없이 턴당 하나의 쿼리를 생성하는 단기적 패러다임을 따르며, 명시적인 검증과 개선 과정이 없어 실행 불가능하거나 일관성 없는 결과를 초래합니다. 우리는 장기적 다중 턴 Text-to-SQL을 위한 에이전트 기반 훈련 프레임워크인 MTSQL-R1을 제안합니다. 이 작업을 마르코프 결정 과정(MDP)으로 설정하여, 에이전트가 (i) 실행 피드백을 위한 데이터베이스와 (ii) 일관성 검증을 위한 지속적 대화 메모리와 상호작용하며, 모든 검증을 통과할 때까지 제안 -> 실행 -> 검증 -> 개선의 반복적인 사이클을 수행합니다. COSQL과 SPARC에 대한 실험 결과, MTSQL-R1은 강력한 베이스라인을 지속적으로 능가하며, 대화형 의미 구문 분석을 위한 환경 기반 검증과 메모리 기반 개선의 중요성을 강조합니다. 내부 검토 후 코드, 훈련된 모델, 로그, 추적 경로 등을 포함한 전체 레시피를 커뮤니티 연구에 기여하기 위해 공개할 예정입니다.

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.

MTSQL-R1: 에이전트 기반 학습을 통한 장기적 다중 턴 텍스트-to-SQL 접근

MTSQL-R1: Towards Long-Horizon Multi-Turn Text-to-SQL via Agentic Training

초록

Support