SQL不报错、查询结果与参考一致、业务问题得到正确回答，看起来相近，实际依赖不同证据。读这篇Text-to-SQL综述，重点是建立方法和评价的基本词汇，为后面阅读Spider、BIRD与SQLens做准备。

论文信息：Xiaohu Zhu、Qian Li、Lizhen Cui、Yongkang Liu，Large Language Model Enhanced Text-to-SQL Generation: A Survey，2024预印本。定向阅读v1的§II—IV；不将其文献表当作今日最新排行榜。版本、正文、Spider原始论文。

1、论文试图解决什么问题？

论文整理大模型增强Text-to-SQL的任务定义、挑战、数据集、评价与方法。基本任务是结合问题和数据库结构生成能表达用户意图的SQL。

“本月收入是多少”需要确定字段、过滤条件和时间范围。SQL合法只说明表达形式被接受，不能决定收入应采用毛额还是净额，这正是从查询技术走向企业分析时要补充的信息。

2、这是否是一个新问题？

自然语言数据库接口不是新问题。大模型改变的是可利用的先验能力、提示方式和工具反馈组织。综述将提示、微调、任务专用训练和Agent方法放在一起讨论。

这些分组并非完全互斥：微调模型也可以放进Agent，用检索示例和执行反馈。因此不能把它们当成相互替代、从低到高的四代技术。

3、文章要验证什么科学假设？

综述不验证单一算法假设。它主要考察大模型时代的方法怎样组织，以及现有指标各衡量什么。我们可以据此提出后续实验假设，但不能把它写成作者实验证明。

例如“附加领域文档有助于业务语义正确”需要单独比较同模型、同任务的有无文档条件；综述介绍相关方法不等于替我们完成该实验。

4、有哪些相关研究？如何归类？关注哪些研究员？

方法按训练与推理组织，数据按单域、跨域和增强场景组织，评价按结构匹配、结果与效率组织。三套维度分别回答怎么做、在哪测、测什么。

关注作者Xiaohu Zhu等可追踪综述；基础任务可沿Tao Yu的Spider，关系编码沿Bailin Wang的RAT-SQL，约束解码沿Torsten Scholak的PICARD继续阅读。

5、解决方案的关键是什么？

最值得带走的是把生成策略和评价策略拆开。提示可加入schema、示例与思考步骤，微调改变模型参数，Agent引入交互和工具反馈；它们改善结果的机制不相同。

若一个系统同时增加业务知识、模型规模和重试次数，提升不能全部归因于“Agent规划”。研究方案需要单独控制这些变量。

6、论文中的实验或综述方法如何设计？

§III比较指标和数据，§IV整理不同方法的代表工作。这是资料综合，不是将文中所有方法重新放到同一数据库和模型版本下运行。

阅读综述中的成绩必须回到原文确认划分、输入、预算和模型版本。跨论文数字相邻出现，并不构成公平对照；新旧基准的难度变化也不能只用排行榜分差描述。

一个有用的阅读表格可以设置五列：输入包含什么，模型是否训练，允许执行几次，正确性如何判定，成本如何计算。对于同一篇文章，也应分别填写主实验与消融。这样可以识别某些看似方法收益，实际上来自增加数据库样本值或参考示例的信息收益。

7、定量评估使用什么数据？代码是否公开？

综述介绍Spider、BIRD等任务资源。结构匹配看组成是否符合参考，执行准确率看结果等价，测试套件进一步缓解单库偶然等价，效率指标则引入运行成本。

复现应到各作者资源，例如Spider仓库、BIRD项目。这是一张资源地图，不存在一个能代表全文所有实验的统一代码包。

8、证据是否支持论文主张？

文献分类支持读者理解方法空间，指标讨论也支持“不能只测一个维度”的判断。但执行相同仍有可能是当前数据没有暴露差异；反过来，结构不同也未必语义错误。

经营分析应增加针对业务规则的反例。例如两种销售额公式在无退款的数据上相同，需要加入退款记录才能测出区别。这是我们对评价设计的进一步推导。

9、这篇论文到底有什么贡献？

贡献是集中梳理大模型Text-to-SQL的主要路线和评价边界。它帮助我们把宽泛的“查询准确”拆成可检查对象，而非提供一个新的SQL生成算法。

开题综述可借此搭骨架，再用直接相关原论文解释机制。不能只引用综述就宣称某具体近邻研究没有处理业务规则。

10、下一步有什么工作可以深入？

我们应把查询评价放进更长的分析链：单条SQL结果、跨步骤总体和粒度、派生指标公式、报告结论分别判分。它们有关联，但不能用一个EX分数代替。

最小实验可以设置两条各自正确、却不宜直接比较的查询，例如本季度支付额与上季度下单额。能识别这一冲突，才说明机制覆盖了我们实际关心的跨步骤问题。

本文为论文阅读与研究讨论，AI辅助整理；论文结果均指作者报告，本文未运行复现实验。