CHESS：高效SQL合成的上下文利用框架

【免费下载链接】CHESS Contextual Harnessing for Efficient SQL Synthesis 项目地址: https://gitcode.com/gh_mirrors/chess5/CHESS

项目介绍

在现代数据库管理系统中，将自然语言问题转换为SQL查询（text-to-SQL）是一个长期以来研究的难题。CHESS项目正是针对这一挑战提供了一个高效的解决方案。CHESS是一种基于大型语言模型（LLM）的多Agent框架，它专门设计来解决自然语言问题转换成SQL查询过程中遇到的各种难题。

项目技术分析

CHESS框架包含四个专门化的Agent，分别针对以下四个挑战：

1. 信息检索Agent (IR)：负责提取相关信息。
2. 模式选择Agent (SS)：在大规模数据库模式中剪枝，以减少处理规模。
3. 候选生成Agent (CG)：生成高质量候选查询并迭代优化。
4. 单元测试Agent (UT)：通过基于LLM的自然语言单元测试来验证查询的正确性。

CHESS框架支持工业级数据库，能够处理大规模数据库模式，并通过特定的Agent优化查询生成过程。框架的核心是利用LLM和多个Agent协同工作，以提高SQL合成的效率和准确性。

项目及技术应用场景

CHESS框架的应用场景广泛，适用于任何需要自然语言到SQL转换的场景。例如，在复杂的企业数据库管理、数据分析、以及交互式查询生成等场合，CHESS能够大幅提高处理速度和查询质量。

关键技术特点

• 工业级数据库支持：通过模式选择Agent，CHESS能够高效地处理大型数据库模式，将其简化为可管理的子模式，提高了系统准确性约2%，同时减少LLM令牌使用量5倍。
• 隐私保护性能：在开源模型中，CHESS实现了最先进的性能，提供了一个适合工业部署的高性能、隐私保护的系统。
• 可扩展性：在高计算预算的设置中，CHESS在BIRD测试集上达到71.10%的准确性，与最先进的私有方法相差不到2%，同时减少LLM调用约83%。

项目特点

CHESS的几个主要特点如下：

1. 强大的查询生成能力：利用专门的Agent进行查询生成和验证，确保了查询的准确性和效率。
2. 可配置性：框架提供多种配置选项，以适应不同的部署环境和需求。
3. 高兼容性：支持多种大型语言模型，用户可以根据需要自行配置LLM。

以下是CHESS框架的架构图：

设置环境与运行

要使用CHESS，首先需要克隆代码库，创建配置文件，并安装必要的依赖项。之后，运行预处理脚本来准备数据库，然后根据配置选择运行主脚本。

环境设置

git clone https://github.com/yourusername/CHESS.git
cd CHESS
# 创建.env文件并添加配置

安装依赖

pip install -r requirements.txt

预处理

sh run/run_preprocess.sh

运行

sh run/run_main_ir_cg_ut.sh
# 或者
sh run/run_main_ir_ss_ch.sh

总之，CHESS为自然语言到SQL转换领域提供了一个强大的工具，不仅能够处理复杂的数据库模式，还能确保查询的高效和准确。对于需要处理大规模数据库和实现高效SQL合成的开发者和企业来说，CHESS无疑是一个值得尝试的开源项目。

【免费下载链接】CHESS Contextual Harnessing for Efficient SQL Synthesis 项目地址: https://gitcode.com/gh_mirrors/chess5/CHESS