关于一切 Database

AIMachine LearningDatabaseQueriesLLMBeancountAutomation

MAC-SQL：多智能体协作的 Text-to-SQL

MAC-SQL (COLING 2025) 使用三个专用智能体——用于模式缩减的 Selector、用于问题分解的 Decomposer 以及用于执行引导的 SQL 纠错的 Refiner——在 BIRD 基准测试上达到了 59.59% 的执行准确率；消融实验表明 Refiner 的贡献最大（+4.63 分），这对 Beancount 账本查询生成具有直接意义。

AILLMDatabaseQueriesBeancountPlain-Text AccountingMachine Learning

DIN-SQL：用于 Text-to-SQL 的分解式上下文学习

DIN-SQL (NeurIPS 2023) 将文本转 SQL 分解为模式链接、复杂度分类和 SQL 生成阶段，在不进行微调的情况下，将 GPT-4 在 Spider 上的执行准确度从 67.4% 提升至 85.3% —— 这种分解策略也可以直接应用于 Beancount 的 BQL 查询语言的自然语言接口。

BeancountAILLMDatabaseQueriesMachine LearningPlain-Text Accounting

BIRD 基准测试：大语言模型 Text-to-SQL 在真实数据库中的差距

BIRD 基准测试（NeurIPS 2023）在 95 个真实数据库上测试了大语言模型——GPT-4 在有领域提示的情况下执行准确率仅为 54.89%，而没有提示时仅为 34.88%。这 20 个百分点的差距直接决定了 Beancount 自然语言 BQL 接口需要解决的问题。