Template Constrained Decoding (TeCoD)：提升 Text-to-SQL 準確度與效能的新框架
大型語言模型在 Text‑to‑SQL 上雖已顯著進步，但面對未見過的資料庫結構仍易產生錯誤。研究者推出 TeCoD，將歷史 NL‑SQL 配對轉為可重用模板，並以微調的自然語言推理模型快速匹配查詢，接著以文法限制的分割解碼確保 SQL 合法。實驗顯示，TeCoD 在正確率上較傳統方法提升最高 36%，執行延遲降低至 2.2 倍。
背景說明
大型語言模型（LLM）已讓使用者能以自然語言查詢結構化資料，然而在實際部署時，尤其是面對複雜或未見過的資料庫結構，模型的正確率仍不穩定，且常產生無效的 SQL。
核心技術：Template Constrained Decoding (TeCoD)
TeCoD 透過兩大步驟提升 Text‑to‑SQL 的可靠性：
- 模板化處理：將過往的自然語言‑SQL 配對抽象為可重用的查詢模板，形成一套結構化的模式庫。
- 模板選擇與限制解碼：使用微調的自然語言推理模型（NLI）快速比對輸入查詢與模板，若不符合則直接拒絕。選定模板後，系統在生成 SQL 時套用文法限制的分割解碼策略，確保產出符合語法且執行效率高。
效能評估
在與標準 in‑context learning（ICL）比較的實驗中，TeCoD 在匹配查詢上達到最高 36% 的執行正確率提升，且平均延遲下降至原本的 2.2 倍，顯示出顯著的效能與可靠性優勢。
結論與未來方向
透過模板化與文法限制的結合，TeCoD 為 Text‑to‑SQL 系統在實務環境中的部署提供了更穩定且高效的解決方案。未來可進一步擴充模板庫，並探討跨領域資料庫的通用性。
延伸閱讀
- Intuit TurboTax 實作案例：利用 LLM 與 DSL 將 900 頁稅務法案轉化為程式碼
- LLM 驅動的去匿名化：研究揭露 AI 能大規模精準識別社交媒體化名用戶
- LLM 驅動的網路故障排除：利用 RAG 與微調構建 RCA 知識庫以提升網路韌性
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
