综述：LLM 驱动的 Text-to-SQL 架构与策略

综述以五类范式统一梳理 LLM 驱动的 Text-to-SQL 研究。

资讯摘要

一篇综述系统梳理大语言模型驱动的 Text-to-SQL 方法，覆盖 2022 至 2026 年逾百篇论文与技术资料。作者提出五类范式分类：上下文学习、监督与参数高效微调、智能体与工具增强编排、检索增强生成、强化学习，并从模型粒度、监督程度、推理风格三个维度刻画方法。文中提及 ReFoRCE、Agentar-Scale-SQL、Arctic-Text2SQL-R1、XiYan-SQL 等系统，并讨论评测指标、数据集、领域泛化、效率与生产部署中的语义层。

要点速读

1. 综述提出五范式分类，并按单体/模块化、零样本/微调/强化学习、直接解码/多步分解三个维度刻画方法。
2. 涵盖 Spider、Spider 2.0、BIRD 等基准上的系统，包括 ReFoRCE、Agentar-Scale-SQL、Snowflake Arctic-Text2SQL-R1 与 XiYan-SQL。
3. 作者还分析评测指标与数据集、领域泛化与效率等开放挑战，以及生产系统中的语义层与负责任 AI 实践。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。