AgentSM：面向智能体文本到SQL的语义记忆

基于LLM的文本到SQL方法在BIRD和Spider等基准测试中取得了显著进展。然而，这些系统在现实企业环境中面临挑战，如大型复杂模式、多样化的SQL方言以及昂贵的多步骤推理。新兴的智能体方法虽具有自适应推理潜力，但常因效率低下和不稳定而受限，例如重复与数据库交互、输出不一致或无法生成有效答案。为解决这些问题，本文提出了Agent Semantic Memory（AgentSM），一种构建和利用可解释语义记忆的智能体框架。该框架通过结构化程序捕获或合成先前执行轨迹，直接指导未来推理，从而实现推理路径的系统性复用，使智能体能够高效可靠地处理更大规模的模式、更复杂的问题和更长的推理轨迹。在Spider 2.0基准测试中，AgentSM相比现有最佳系统平均减少了25%的token使用量和35%的轨迹长度，并在Spider 2.0 Lite基准测试中实现了44.8%的最先进准确率。