CSR-RAG：面向企业级文本到SQL的高效检索系统
CSR-RAG: An Efficient Retrieval System for Text-to-SQL on the Enterprise Scale
- Technical University of Munich（慕尼黑技术大学）
- Nokia Bell Labs（诺基亚贝尔实验室）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
CSR-RAG通过结合上下文、结构和关系检索，高效支持企业级文本到SQL任务，实现高精度与低延迟的检索性能。
AI中文摘要：
自然语言到SQL翻译（文本到SQL）是长期存在的问题，最近因大型语言模型（LLMs）的进步而受益。尽管大多数学术文本到SQL基准要求将模式描述作为自然语言输入的一部分，但企业级应用通常需要在生成SQL查询之前进行表检索。为了解决这一需求，我们提出了一种新颖的混合检索增强生成（RAG）系统，由上下文、结构和关系检索（CSR-RAG）组成，以实现对企业级数据库的计算高效且足够准确的检索。通过广泛的enterprise基准测试，我们证明CSR-RAG在商品数据中心硬件上实现了高达40%的精度和超过80%的召回率，同时平均查询生成延迟仅为30毫秒，这使其适合现代基于LLM的企业级系统。
英文摘要：
Natural language to SQL translation (Text-to-SQL) is one of the long-standing problems that has recently benefited from advances in Large Language Models (LLMs). While most academic Text-to-SQL benchmarks request schema description as a part of natural language input, enterprise-scale applications often require table retrieval before SQL query generation. To address this need, we propose a novel hybrid Retrieval Augmented Generation (RAG) system consisting of contextual, structural, and relational retrieval (CSR-RAG) to achieve computationally efficient yet sufficiently accurate retrieval for enterprise-scale databases. Through extensive enterprise benchmarks, we demonstrate that CSR-RAG achieves up to 40% precision and over 80% recall while incurring a negligible average query generation latency of only 30ms on commodity data center hardware, which makes it appropriate for modern LLM-based enterprise-scale systems.
