Eine neue Studie untersucht die Architekturen und Strategien hinter Systemen mit großen Sprachmodellen (LLMs), die natürlichsprachliche Fragen in ausführbares SQL übersetzen. Sie wertet mehr als 100 wissenschaftliche Arbeiten und technische Ressourcen aus, konzentriert sich auf Veröffentlichungen aus den Jahren 2022 bis 2026 und ordnet das Feld fünf übergeordneten Ansätzen zu: In-Context Learning, Fine-Tuning, agentische und durch Tools erweiterte Systeme, Retrieval-Augmented Generation und Reinforcement Learning.

Text-to-SQL soll relationale Datenbanken leichter abfragbar machen, ohne dass Nutzer selbst SQL schreiben müssen. Frühere Systeme stützten sich auf von Hand erstellte Regeln und Vorlagen. Darauf folgten neuronale Modelle, die Encoder-Decoder-Architekturen, Schema-Verknüpfung und eingeschränktes Decoding einführten. Die Studie beschreibt, wie Methoden auf Grundlage von LLMs das Feld erweitert haben, und nennt unter anderem die Systeme ReFoRCE, Agentar-Scale-SQL, Snowflakes Arctic-Text2SQL-R1 und das modulare XiYan-SQL-Framework.

Anstatt die SQL-Generierung als einzelnen Schritt zu behandeln, unterteilen viele neuere Systeme sie in Aufgaben wie das Ermitteln relevanter Schemaelemente, das Formulieren einer Abfrage, das Beheben von Fehlern und das Bewerten möglicher Ausgaben. Agentische Ansätze koordinieren spezialisierte Komponenten oder Agenten und können Datenbank-Tools, Validatoren und Ausführungsfeedback nutzen, um die Ergebnisse zu verbessern. Die Studie behandelt auch Reinforcement Learning als eigenständigen Ansatz, einschließlich Methoden, die Belohnungen auf Grundlage der Ausführung verwenden.

Die Autoren erörtern Evaluierungsmetriken und Benchmarks wie Spider, Spider 2.0 und BIRD sowie Herausforderungen, die dem praktischen Einsatz weiterhin entgegenstehen. Dazu gehören die Übertragung auf unbekannte Datenbankschemata, der Umgang mit mehrdeutigen Fragen, die korrekte Zuordnung von Werten wie Datumsangaben und Namen sowie die Abwägung zwischen Rechenaufwand und Antwortgeschwindigkeit.

Die Studie behandelt außerdem die semantische Ebene, die in Produktionssystemen verwendet wird, sowie Aspekte verantwortungsvoller KI, wenn Modelle mit sensiblen Datenbanken interagieren. Ihr Themenspektrum umfasst Datenschutz, Transparenz, Verzerrungen, Sicherheit und Governance ebenso wie praktische Einsatzfragen, etwa Schemaverwaltung, Caching, SQL-Debugging und die Planung von Inferenzläufen.

Quellen: arXiv cs.AI.