DecoSearch：面向 Text-to-SQL 的复杂度感知路由与计划级修复

背景

大型语言模型（LLMs）在将自然语言转换为 SQL（Text-to-SQL）方面展现了卓越的能力，但在处理需要多步推理和数据感知的复杂查询时，现有方法仍然经常失效。尽管微调模型可以提升特定领域的表现，但许多应用场景更倾向于使用免训练（training-free）的框架，以降低部署成本并提高灵活性。然而，现有的免训练方法往往缺乏对查询复杂度的自适应处理能力，导致在简单问题上浪费计算资源，或在复杂问题上因推理路径单一而失败。

核心内容

为了解决上述问题，研究人员提出了 DecoSearch，这是一个免训练的框架，旨在通过为每个查询路由到适当级别的推理努力来解决复杂查询中的多步推理难题。DecoSearch 作为一个模型无关的包装器（model-agnostic wrapper），可以无缝集成到任何 SQL 生成骨干模型中，无需修改现有管道。

DecoSearch 的核心工作流程包含以下几个关键组件：

1. 轻量级模式选择器（Schema Selector）： 首先，该组件对完整的数据库模式进行修剪，仅保留与当前查询相关的表和列。这一步骤显著减少了输入上下文的大小，降低了后续推理的噪声和计算成本。

2. LLM 判断器（LLM Judger）： 在精简模式后，LLM Judger 负责判断问题是否需要进行分解。

   • 对于简单直接的问题，系统采用直接生成路径，快速生成 SQL。
   • 对于复杂问题，系统将其升级为原子子问题（atomic sub-questions）的有向无环图（DAG）。每个子问题由一个针对性的 SQL 生成步骤解决，从而实现分步推理。

3. 检索增强生成组件（RAG Component）： 为了增强分解器（decomposer）的能力，该组件利用语义相似的训练示例作为参考，为分解过程提供上下文 grounding，提高子问题划分的准确性。

4. 拓扑细化器（Topology Refiner）： 当 SQL 执行失败时，系统需要判断失败原因是 SQL 语法/逻辑错误，还是子问题分解本身的缺陷。Topology Refiner 的作用是在执行失败信号表明分解存在缺陷而非可修复的 SQL 错误时，重新构建推理计划。这种计划级的修复机制避免了在错误的分解路径上反复尝试生成 SQL。

性能表现： 使用 DeepSeek 作为骨干模型，DecoSearch 在 BIRD 数据集上达到了 70.53% 的执行准确率（Execution Accuracy），在 Spider 数据集上达到了 88.31% 的执行准确率。这一结果超越了所有免训练基线方法，同时消耗的 token 数量比竞争方法少一个数量级。此外，DecoSearch 还能一致性地提升经过微调的 SQL 生成骨干模型的性能。

关键要点

• 复杂度感知路由：DecoSearch 的核心创新在于根据查询复杂度动态调整推理策略。简单查询走直通路径，复杂查询走 DAG 分解路径，实现了效率与准确率的平衡。
• 免训练框架：无需对基础模型进行微调，即可显著提升 Text-to-SQL 性能。这使得它成为一个通用的增强模块，可应用于各种预训练或微调后的 LLM。
• 计划级修复机制：区别于传统的错误重试，DecoSearch 引入了 Topology Refiner，能够识别分解层面的结构性错误并重新规划推理 DAG，这是其性能超越其他方法的关键。
• 极高的资源效率：在达到 SOTA（State-of-the-Art）免训练性能的同时，token 消耗仅为竞争方法的十分之一，大幅降低了推理成本。
• 模型无关性：作为一个包装器，DecoSearch 不绑定特定模型，可以增强包括 DeepSeek 在内的任何 SQL 生成骨干模型，包括经过微调的模型。

意义与影响

DecoSearch 的提出标志着 Text-to-SQL 技术从“单一模型能力依赖”向“结构化推理框架”的转变。其意义主要体现在以下几个方面：

1. 降低部署门槛：通过免训练的方式实现高性能，企业无需收集大量标注数据或进行昂贵的微调即可部署高质量的 Text-to-SQL 系统，加速了 AI 在数据库交互场景的落地。
2. 提升复杂查询处理能力：通过引入 DAG 分解和计划级修复，DecoSearch 解决了传统方法在处理多跳、多表关联查询时的痛点，显著提高了系统在真实复杂业务场景中的鲁棒性。
3. 优化计算成本：显著的 token 节省意味着更低的 API 调用成本或更短的推理延迟，这对于大规模生产环境至关重要。
4. 通用增强范式：DecoSearch 证明了将“路由”、“分解”和“修复”模块化并组合成一个框架的有效性，为其他需要复杂推理的 AI 任务（如代码生成、复杂问答）提供了可借鉴的架构思路。