arXiv来源发表:
金融数据库里的整数键让通用Text-to-SQL掉到五成以下，FLINT用查表智能体补上这一环
核心概要
面向生产金融数据库的Text-to-SQL系统FLINT把自然语言问题落到具体表约束上，而不是只靠列名相似度匹配。通用系统在Spider、BIRD这类模式较浅、列值可读的基准上表现强，但金融库把概念存成不透明的整数键，简单查询也要多次连接，这些方法因此低于50%。FLINT用查表智能体解析概念、检索结构相似的查询模板，并沿外键链裁剪大模式，在两个共359道题的生产金融模式数据集上优于使用同一大模型的多种基线，并已部署在金融数据检索服务中。
深度剖析
面向生产金融数据库的Text-to-SQL系统FLINT把自然语言问题先落到问题专属的参考表约束上，再生成查询。 通用Text-to-SQL系统在Spider和BIRD这类模式较浅、列值多为人类可读字符串的学术基准上表现强，但在概念以不透明整数键存储的金融库里低于50%。 在两个合计359道题、跑在生产金融模式上的数据集上，FLINT优于使用同一大语言模型的多种当前最优基线。
系统由三部分协作完成：查表智能体、查询模板检索和外键链上的模式裁剪。 查表智能体把自然语言概念动态解析为问题专属的参考表约束，而不是依赖列名相似度。 模板来自一个紧凑的、由专家编写的查询模板库，按嵌入检索结构相似的模板；模式链接则沿外键链遍历，把大表模式裁剪到相关子集。
启示与展望
报道依据的是摘要层面的信息，未涉及完整论文的实验细节。系统面向生产金融数据库，评估覆盖两个合计359道题的数据集，比较对象是使用同一大语言模型的多种当前最优基线。摘要说明该系统已作为金融数据检索服务的一部分投入生产。
摘要只给出通用方法在金融库中低于50%这一整体判断，未列出各基线的具体数值。系统依赖专家编写的紧凑模板库，模板覆盖范围对表现的影响未在摘要中说明。