DecoSearch：面向 Text-to-SQL 的复杂度感知路由与计划级修复

针对大语言模型在复杂多步 SQL 查询中推理不足的问题，本文提出 DecoSearch 框架。该方法无需训练，通过轻量级模式选择器剪枝无关 schema，利用 LLM 判断器将复杂问题分解为有向无环图（DAG）形式的原子子问题序列。此外，引入检索增强生成提供语义示例，并设计拓扑优化器在执行失败时重构推理计划而非仅修正 SQL。实验表明，该方法在 BIRD 和 Spider 数据集上显著优于现有无训练基线，且 token 消耗更低，可作为通用包装器提升各类模型性能。