DPC：无需训练的双范式一致性Text-to-SQL候选选择框架

DPC（双范式一致性）是一种无需训练的Text-to-SQL候选选择框架，核心解决LLM在Text-to-SQL任务中的“生成-选择鸿沟”问题。它通过构建最小区分数据库（MDD）和跨范式验证策略，实现了最高2.2%的准确率提升。本文将分楼层介绍其背景、方法、实验结果及应用前景。

Text-to-SQL的生成-选择鸿沟

LLM虽能生成SQL，但缺乏无执行环境下的自我评估能力，导致Pass@K高但Pass@1低（实际应用只能选一个），形成“生成-选择鸿沟”。

现有方案的困境

• 监督式验证器：需大量标注数据，易过拟合，泛化差；
• 自一致性：若模型有系统性偏差，易形成“共识幻觉”；
• LLM-as-a-Judge：缺乏符号执行能力，易被表面特征误导。

DPC核心思想：将SQL选择从概率猜测转化为可见数据的确定性验证。采用三智能体协作架构：

• SLICER：分析SQL候选结构，识别关键差异点；
• TESTER：基于差异点构建最小区分数据库（MDD）；
• SOLVER：跨范式验证（SQL转Python/Pandas），比较执行结果一致性。

最小区分数据库（MDD）

MDD是DPC关键创新，特点：

• 对抗性设计：针对性构造，最大化候选差异；
• 完全可观测：数据可见可控，验证透明；
• 最小化规模：仅含区分所需最少数据，降低成本；
• 逻辑聚焦：精准暴露边界条件、空值处理等差异。

跨范式验证

通过SQL转Python/Pandas实现：

• 范式独立：声明式（SQL）与命令式（Python）语法思维不同，结果一致则可信度高；
• 偏差抵消：不同范式不易有相同系统性偏差；
• 可执行验证：Pandas提供可靠执行基础。

实验结果

在BIRD和Spider基准上评估主流LLM：

• 准确率提升：比Self-Consistency等基线高2.2%；
• 一致性优势：不同模型/查询难度下稳定；
• 训练无关：无需训练，通用性强。

消融实验

• MDD必要性：随机数据替代MDD性能显著下降；
• 跨范式价值：单一范式验证准确率低；
• 多智能体协作：单独智能体无法达完整系统性能。

技术洞察

• 从猜测到验证：构造可控测试环境比依赖概率输出更可靠；
• 跨范式冗余：交叉验证降低系统性偏差风险；
• 智能体专业化：分解任务给专业智能体提升性能；
• 可解释性：验证过程透明，可追溯决策理由。

应用前景

• 代码生成：可推广到其他可执行代码场景；
• 形式化验证：结合符号执行探索高可靠领域；
• 多智能体系统：协作架构可推广到更多AI场景。

局限

• MDD构建有计算开销，复杂查询可能状态空间爆炸；
• 跨范式验证需目标语言有可靠执行环境。

结语

DPC为解决Text-to-SQL生成选择鸿沟提供新思路，其MDD与跨范式验证结合的方法，在构建可靠智能系统中具有重要意义。