Um novo levantamento examina as arquiteturas e estratégias por trás dos sistemas de grandes modelos de linguagem (LLMs) que traduzem perguntas em linguagem natural em SQL executável. Ele analisa mais de 100 artigos e recursos técnicos, com foco em trabalhos publicados de 2022 a 2026, e organiza o campo em cinco abordagens gerais: aprendizado em contexto, ajuste fino, sistemas agênticos e aumentados por ferramentas, geração aumentada por recuperação e aprendizado por reforço.

O objetivo do Text-to-SQL é facilitar a consulta a bancos de dados relacionais sem exigir que os usuários escrevam SQL. Os primeiros sistemas se baseavam em regras e modelos feitos à mão, seguidos por modelos neurais que introduziram arquiteturas codificador-decodificador, vinculação de esquemas e decodificação restrita. O levantamento descreve como os métodos baseados em LLMs ampliaram o campo, com sistemas como ReFoRCE, Agentar-Scale-SQL, Arctic-Text2SQL-R1, da Snowflake, e a estrutura modular XiYan-SQL.

Em vez de tratar a geração de SQL como uma única etapa, muitos sistemas mais recentes a dividem em tarefas como identificar elementos relevantes do esquema, elaborar uma consulta, corrigir erros e classificar resultados candidatos. As abordagens agênticas coordenam componentes ou agentes especializados e podem usar ferramentas de banco de dados, validadores e feedback da execução para melhorar os resultados. O levantamento também trata o aprendizado por reforço como uma abordagem distinta, incluindo métodos que usam recompensas baseadas na execução.

Os autores discutem métricas de avaliação e benchmarks, incluindo Spider, Spider 2.0 e BIRD, além dos desafios que ainda persistem para o uso no mundo real. Entre eles estão a generalização para esquemas de bancos de dados desconhecidos, o tratamento da ambiguidade nas perguntas, a fundamentação de valores como datas e nomes e o equilíbrio entre o custo computacional e a velocidade de resposta.

O levantamento também aborda a camada semântica usada em sistemas de produção e considerações de IA responsável quando os modelos interagem com bancos de dados sensíveis. Sua cobertura inclui privacidade, transparência, viés, segurança e governança, além de temas práticos de implantação, como gerenciamento de esquemas, armazenamento em cache, depuração de SQL e agendamento de inferência.

Fontes: arXiv cs.AI.