شهدت نماذج اللغات الضخمة (Large Language Models) تقدمًا غير مسبوق في تحويل اللغة الطبيعية إلى استعلامات SQL، ولكن لا تزال الطرق الحالية تتعثر أمام الاستفسارات المعقدة التي تتطلب تفكيرًا متعدد الخطوات ووعيًا بالبيانات. وفي هذا السياق، نقدم لكم DecoSearch، الإطار الفريد الذي لا يتطلب تدريبًا والذي يعالج هذه التحديات من خلال توجيه كل استعلام إلى مستوى الجهد المطلوب في التفكير.

يبدأ DecoSearch بعملية اختيار المخطط، حيث يقوم أداة أخف وزنًا بتصفية المخطط الكامل لقاعدة البيانات لتحديد الجداول والأعمدة ذات الصلة. بعد ذلك، يقوم أداة قضاة نماذج اللغات الضخمة (LLM Judger) بتحديد ما إذا كانت المسألة تتطلب تقسيمًا: الأسئلة البسيطة تتبع مسار توليد مباشر، بينما تُرفع الأسئلة المعقدة إلى رسم بياني موجه غير دائري (Directed Acyclic Graph - DAG) للأسئلة الفرعية، حيث يتم حل كل سؤال بحركة توليد SQL مستهدفة.

يحتوي DecoSearch أيضًا على مكون RAG الذي يسهم في تعزيز القوة المعرفية للنموذج من خلال أمثلة تدريبية مشابهة دلاليًا، كما يقوم مُحسن الطوبولوجيا (Topology Refiner) بإعادة هيكلة خطة التفكير عندما تشير حالات الفشل في التنفيذ إلى تقسيم خاطئ بدلاً من خطأ SQL قابل للإصلاح.

لقد حقق DecoSearch دقة تنفيذ قدرها 70.53% على BIRD و88.31% على Spider باستخدام هيكل DeepSeek، متجاوزًا جميع المعايير الأخرى التي لا تتطلب تدريبًا، بينما يستهلك عدد أقل بكثير من الرموز مقارنة بالطرق المنافسة. بالإضافة إلى ذلك، يعمل DecoSearch كغطاء مستقل عن النماذج، مما يحسن بشكل مستمر دقة توليد SQL المصقولة دون الحاجة إلى تعديل أي جزء من العملية.

في ختام هذا الطرح المثير، نرغب في معرفة آرائكم حول هذا الابتكار المدهش: كيف تعتقدون أن DecoSearch سيوجه مستقبل تحويل اللغة إلى SQL؟ شاركونا في التعليقات!