#database
Database
Database systems, SQL generation, and structured data management for financial AI
MAC-SQL: Text-to-SQL collaborativo multi-agente
MAC-SQL (COLING 2025) utilizza tre agenti specializzati — Selettore per la riduzione dello schema, Decompositore per la scomposizione delle domande e Raffinatore per la correzione SQL guidata dall'esecuzione — raggiungendo un'accuratezza di esecuzione del 59,59% sul benchmark BIRD; l'ablation mostra che il Raffinatore contribuisce maggiormente (+4,63 punti), con implicazioni dirette per la generazione di query nel registro di Beancount.
DIN-SQL: Apprendimento Contestuale Decomposto per Text-to-SQL
DIN-SQL (NeurIPS 2023) decompone text-to-SQL in fasi di collegamento dello schema, classificazione della complessità e generazione SQL, portando GPT-4 dal 67,4% all'85,3% di accuratezza di esecuzione su Spider senza ottimizzazione — e la stessa strategia di decomposizione si applica direttamente alle interfacce in linguaggio naturale per il linguaggio di query BQL di Beancount.
BIRD Benchmark: Il Divario tra Database Reali e LLM per Text-to-SQL
Il benchmark BIRD (NeurIPS 2023) testa gli LLM su 95 database reali — GPT-4 raggiunge solo il 54,89% di accuratezza di esecuzione con suggerimenti di dominio e il 34,88% senza, un divario di 20 punti che modella direttamente ciò che un'interfaccia BQL in linguaggio naturale per Beancount dovrebbe risolvere.