LLM Agent 在数据库交互中的应用设计涉及 Decomposition、Schema Linking、Schema Description 和 Self-Correction 等关键模块。文章详细解析了 DIN-SQL 模型，包括其 Schema Linking、Classification、SQL Generation 和 Self Correction 流程，并介绍了 C3 的一致性推理、SQL-PALM 的规划机制以及 BIRD 大规模数据库基准测试。这些技术共同提升了 Text-to-SQL 的准确率和复杂查询处理能力，为智能数据库代理的开发提供了理论支持。
上一章我们主要讲搜索引擎和 LLM 的应用设计，这一章我们来聊聊大模型和数据库之间的交互方案。目前已有多个数据平台接入 Text-to-SQL 功能，建议先体验相关工具再深入理解实现方案。
本章会提到的前置知识点包括 Chain-of-thought（思维链）、Least-to-Most Prompt、Self-Consistency Prompt，建议不熟悉的同学先查阅相关资料。
和数据库进行交互的应用设计，主要涉及以下几个子模块：
下面我们将分别基于 C3、DIN-SQL、SQL-PALM、BIRD 这四篇论文了解 DB 应用中可以提升 SQL 生成效果的各个子模块。前三篇主要基于传统的 Spider 数据集，而 BIRD 则提出了全新的、难度更高且更符合真实世界应用的新基准 A Big Bench for Large-Scale Database Grounded Text-to-SQLs。
DIN-SQL: Decomposed In-Context Learning of Text-to-SQL with Self-Correction
DIN-SQL 是当前 Spider 榜单上的领先模型。它采用子问题拆解的方案，把 SQL 生成的任务像思维链一样拆解成几个固定的任务，串联执行。主要包含以下 4 个模块：
方案是使用 10-Shot Prompt + zero-shot COT 的引导词（Let's think Step by Step），让模型逐步思考给出针对用户问题应该查询的表，以及表中需要查询的字段、过滤条件字段和 Join 条件字段。
Schema Link 的输出会作为后续 SQL 生成任务的输入，帮助模型先定位字段，再编写 SQL。Prompt 示例如下：
把用户的提问按查询的难易程度分成以下 3 类：
之所以要进行难易程度划分，是因为后面 SQL 生成部分，每种难度使用了不同的 In-Context Few-shot 和 prompt 指令。
对应以上的 3 种分类，论文采用的 3 种 few-shot-prompt 如下：
easy：直接使用指令 + 表结构 + schema Link + few-shot
Medium：表结构和 schema Link 同上，指令加入了 zero-shot 的思维链激活，思维链每一步对应 SQL sub query。但这里有些奇怪的是论文中 Medium 部分的 few-shot 很多也是单表查询不需要 join 的。
Hard：few-shot 是加入多表查询和嵌套结构的样例
论文的自修正并未引入 SQL 执行，只针对 SQL 本身，修复一些小的语法错误，例如缺少 DESC、DISTINCT 等，通过 zero-shot 指令来让模型对生成的 SQL 直接进行修正。指令如下：
instruction = """
#### For the given question, use the provided tables, columns, foreign keys, and primary keys to fix the given SQLite SQL QUERY for any issues. If there are any problems, fix them. If there are no issues, return the SQLite SQL QUERY as is.
#### Use the following instructions for fixing the SQL QUERY:
1) Use the database values that are explicitly mentioned in the question.
2) Pay attention to the columns that are used for the JOIN by using the Foreign_keys.
3) Use DESC and DISTINCT when needed.
4) Pay attention to the columns that are used for the GROUP BY statement.
5) Pay attention to the columns that are used for the SELECT statement.
6) Only change the GROUP BY clause when necessary (Avoid redundant columns in GROUP BY).
7) Use GROUP BY on one column only.
"""
后面的 C3 和 SQL-PALM 都是用 DIN-SQL 作为基准进行评估，所以 DIN 的效果指标我们直接放到后面的部分。
C3 方法的核心在于一致性推理。它不依赖单一的生成路径，而是鼓励模型生成多个候选解决方案，并通过一致性检查来筛选最优解。这种方法特别适用于复杂查询场景，能够有效减少因模型幻觉导致的 SQL 错误。C3 强调在推理过程中保持逻辑的一致性，确保生成的 SQL 语句在语义上与原始问题高度匹配。
SQL-PALM 引入了规划机制，将复杂的 SQL 生成任务分解为更小的步骤。模型首先制定一个执行计划，然后逐步填充细节。这种分步策略有助于处理嵌套查询和多表关联等复杂情况。通过显式的规划步骤，模型能够更好地管理上下文窗口，并在每一步验证中间结果的合理性。
BIRD 基准测试旨在评估大语言模型在大规模真实数据库上的表现。与传统的 Spider 数据集相比，BIRD 包含了更多表、更大的数据量以及更复杂的业务逻辑。该基准要求模型不仅具备基本的 SQL 生成能力，还需要能够处理海量数据的上下文限制。BIRD 的出现推动了 Text-to-SQL 技术向工业级应用迈进，强调了模型在真实场景下的鲁棒性和可扩展性。
本文详细介绍了 LLM Agent 在数据库交互中的应用设计，重点分析了 DIN-SQL 的架构及其四个核心模块。同时补充了 C3、SQL-PALM 和 BIRD 的相关技术要点。这些方法共同构成了当前 Text-to-SQL 领域的主流技术路线，为构建智能数据库代理提供了坚实的理论基础和实践指导。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
在线格式化和美化您的 SQL 查询（它支持各种 SQL 方言）。 在线工具，SQL 美化和格式化在线工具，online
解析 INSERT 等受限 SQL，导出为 CSV、JSON、XML、YAML、HTML 表格（见页内语法说明）。 在线工具，SQL转CSV/JSON/XML在线工具，online
CSV 与 JSON/XML/HTML/TSV/SQL 等互转，单页多 Tab。 在线工具，CSV 工具包在线工具，online