大型语言模型（LLMs）已成为 Text-to-SQL 任务的新模式。然而，缺乏系统的基准测试限制了有效、高效和经济的基于 LLM 的 Text-to-SQL 方案的发展。为了解决这一挑战，本文首先对现有的提示工程方法进行了系统且广泛的比较，包括问题表示、示例选择和示例组织，并详细说明了它们的优缺点。基于这些发现，我们提出了一种新的综合解决方案，名为 DAIL-SQL，它以 86.6% 的执行准确

在解决大型语言模型（LLM）在Text-to-SQL任务中的表现问题时，我们提出了CHASE-SQL，这是一个新的框架，采用创新策略，通过在多代理建模中使用测试时计算来改善候选生成和选择。CHASE-SQL利用LLM的内在知识，采用不同的LLM生成器生成多样化且高质量的SQL候选，具体方法包括：（1）通过分治方法将复杂查询分解为可管理的子查询，从而在单次LLM调用中生成查询；（2）基于查询执行计划

最近在大型语言模型（LLMs）方面的进展使基于上下文学习（ICL）的方法在Text-to-SQL任务中显著优于微调方法。然而，在包含复杂模式和查询的基准测试中，例如BIRD，它们的性能仍然远低于人类专家。本研究考虑了LLMs对提示的敏感性，并提出了一种新方法，该方法利用多个提示来探索更广泛的可能答案搜索空间并有效地汇总它们。具体而言，我们通过使用多个提示的模式链接稳健地优化数据库模式。随后，我们根

给定一个数据库模式T ={T,C}，选择器agent的目的是找的最小模式S'={T',C'},其中,并结合外部知识K，来回答问题Q。选择器可以描述为：其中，表示提示LLM的选择器的函数。