.png){kind=icon}
返回
Distilled documentation for dialect-specific SQL generation
.png){kind=icon}
PRE
AI
DOI：10.1007/s00778-026-00993-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们表明，大型语言模型（LLMs）能从简洁、精炼的SQL构造文档中受益，这些文档可根据需要检索——避免了解析和分块网络文档或用完整手册过度加载上下文窗口的必要性。以DuckDB作为主要案例研究，我们分析了基于DuckDB构建的云分析平台MotherDuck的查询日志，表明实际SQL应用远超分析查询，用户频繁使用LLMs难以处理的方言特定功能。我们开发了DuckDB-DocBench来评估六种LLMs，发现若无额外知识，它们仅能达到约60%的执行准确率。一种简单的方法——基于现有文档生成的LLM函数描述和示例，并组织为定向检索——将准确率提高了最高34%，同时也促进了与文本到SQL（Text-to-SQL）相关的任务，如查询修复。为验证通用性，我们将相同方法应用于PostgreSQL（PG-DocBench），观察到尽管其在训练语料库中广泛存在，仍实现了15%～26%的相对改进，其中较新功能显示出更大的增益。
Keyword:
Text-to-SQL
DuckDB
PostgreSQL
SQL dialects
Large language models
Retrieval-augmented generation
Query repair
期刊
T
IF:
0
论文数:
36
被引数:
0
机构
暂无机构信息
引用论文
.png){kind=icon}
GPTuner: A Manual-Reading Database Tuning System via GPT-Guided Bayesian OptimizationGPTuner：一种基于GPT引导的贝叶斯优化的手动阅读数据库调优系统
OAAI
OAAI分享收藏Generating Succinct Descriptions of Database Schemata for Cost-Efficient Prompting of Large Language Models生成数据库模式的简洁描述，以实现大语言模型的高效成本提示
PREAI
分享收藏 没有更多内容
没有更多内容