#SQL Generation - AI Papers Daily

MasterControl Seventeen Every Time

从问题到证据：受治理数据分析的小型分析代数

🧭 受治理数据分析 · 确定性策略执行

MasterControl AI Lab

LLM只解释用户意图，由确定性策略执行预批准分析程序，110/110匹配答案与证据契约，而运行时规划0/330

📌 工作参考价值（4 点）

在电商/广告的指标数据问答、AB实验分析等场景，可将「意图解析」与「工具选择/SQL生成」解耦：LLM只做意图分类和参数抽取，指标口径、SQL模板、执行程序由预注册目录确定性选择，避免每次生成口径漂移。
返回结果同时返回 evidence（口径、时间区间、支持记录），方便审计、回放和线上事故排查；对推荐系统日报、监控告警类分析尤其有价值。
用小型类型化操作集（关系操作+聚合+窗口+排名+相似度）表达业务分析需求，先为有限场景证明 scoped completeness，再逐步扩展，比直接开放端到端 agent 更可控。
对比结果提示：8B 级模型做运行时 SQL 生成和工具规划，在完整答案+证据契约上失败率很高；若在业务 Agent 中做数据查询，必须加强验证、模板约束或策略回退，不能只靠自由规划。

LLM | 2026-09-01 | HF Daily | score 6/10

ODTQA-FoRe：面向未来数据预测与推理的开放域表格问答数据集与框架

🧭 表格问答 · 时间序列预测 · 多Agent协作 ★ 深度解读

Beijing Normal University · Beijing Normal-Hong Kong Baptist University

提出首个结合时序预测与表格推理的开放域QA数据集及多Agent框架TimeFore，弥补LLM直接预测的缺陷

📌 工作参考价值（4 点）

Agent 角色拆分模式可直接复用：将复杂开放域预测问答拆为 Retriever（SQL 生成）、Forecaster（调用外部时序模型）、Analyzer（答案标准化）三个 Agent，每个 Agent 通过 in-context learning + 反馈循环实现可靠输出。在电商销量预测、商品价格趋势问答等场景中，可直接套用此架构，用专门模型弥补 LLM 预测弱点。
外部预测模型优于 LLM 直接预测：实验证明 TimeXer 等专用时序模型的 MSE 远低于通用 LLM 的 ICL 预测（2.50e7 vs 6.69e7），因此在实际业务数值预测任务中，无论模型多大，均应通过 function calling 调用成熟的时序模型，而非强求 LLM 自行拟合。
SQL 生成可用执行反馈自修复：Retriever 通过执行 SQL 并利用错误信息迭代修正（最多 25 次），能有效提升复杂多表查询的成功率。在电商数据资产查询或报表自动化场景中，这种自校正循环可大幅减少人工介入。
模板生成 + LLM 改写的数据集构建策略：先用模板生成可验证的 QA 对，再用 LLM 改写以增加语言多样性，保证质量的同时降低人工成本。适合快速构建垂直领域（如房产、金融）的预测型问答评估集。

Agent | 2026-06-01 | cs.IR | score 8/10