[Text2SQL]KeyInst: 通过关键指令来提升Text2SQL

在Text2SQL这个领域里，我们面对的核心问题其实挺直接的：怎么让模型写出来的SQL查询，不光是语法正确，更重要的是，它得能精准理解我们问的那个自然语言问题的意思。针对这个难题，

这个方法被提了出来，思路挺新颖——它本质上是通过给大语言模型（LLMs）提供一些关键SQL关键词的指引，让SQL生成的过程变得更顺畅、更少出错。毕竟，你直接给模型抛一个问题，它有时候跑偏了还真不好拉回来。

具体来说，KeyInst的整合方式主要有两种思路：

• 管道策略：
  先给问题生成一组KeyInst，然后再拿着这组指令去提示LLMs写SQL。一步一步来，思路清晰。

• 单步策略：
  直接训练一个微调模型，让它在一个步骤里同时把KeyInst和SQL都搞出来。一步到位，效率优先。

方法

KeyInst的核心思想其实不复杂：它先去分析自然语言问题（也就是NLQ），理解你到底想干什么，然后把中间那些对生成目标SQL至关重要的关键词给提炼出来，作为明确的指导。而且重要的是，这个KeyInst不是现成死板的模板，它是为每个Text2SQL任务实时生成的。

为了支撑这个想法，文章从Spider训练集中精心准备了超过6,200个KeyInst示例，组成了一个专门的KeyInst集合。每个示例都包含数据库模式、问题、对应的SQL以及它的KeyInst。

每一个KeyInst又分两部分：问题分析和关键词建议。问题分析这部分，靠提示LLMs自动生成就行。而关键词建议，则来自于对SQL结构的解析——先把SQL里用到的所有关键词都识别出来，然后过滤掉那些不太核心的。这个过滤是有优先级的：最高优先级是

这些；其次才是 。如果SQL本身就没用到更高优先级的关键词，那就只添加上这些优先级低的。像 这些，就不再纳入关键词建议里了。可以这么理解，如果没有这个优先级机制，生成的KeyInst就退化成SQL骨架了，把所有关键词都列一遍，反而会丧失重点。

管道方法的KeyInst

管道方法采取的是两步走的策略。第一步，先为当前任务生成一个定制化的KeyInst；第二步，拿这个KeyInst去提示LLMs，让它来生成最终SQL查询。这两步分离，各自专注。

微调的KeyInst生成器

第一种生成KeyInst的方式，是微调一个专门的模型来做这个事。输入是数据库模式和问题，输出就是对应的KeyInst，目标就是通过监督微调，让模型的预测尽量贴近真实答案。用更技术的话说，就是最小化那个预测损失函数。这个微调好的模型，就叫

，它生成的KeyInst被称为，用来在下一步提示LLMs写SQL。

基于上下文学习的KeyInst生成器

另一种方式则是利用LLMs自身的能力——通过上下文学习（ICL）来生成KeyInst。从之前准备好的KeyInst集合里，挑几个最相似的例子（也就是演示样本），然后把这些例子和当前的问题、数据库模式拼在一起，形成一个少样本提示。这个提示指导LLMs，来生成当前问题对应的定制KeyInst，也就是

。挑例子这一步，靠的是计算问题之间的掩码相似度，选出最相似的K个。整个过程可以看成是：把当前模式和问题，以及K个例子一起塞给LLMs，它输出当前问题的KeyInst-ICL。

使用KeyInst生成SQL

等KeyInst生成好了，接下来的SQL生成反倒比较直接。把数据库模式、问题、以及刚生成的KeyInst这三者拼起来，形成一个零样本提示，喂给LLMs，它就能输出最终的SQL。公式上可以表示为：输入是模式、问题加上KeyInst，输出就是预期的SQL。

需要特别注意的是，KeyInst本身是一种非常灵活的增强指令。它的适配性很好，很容易就能整合到现有的各种Text2SQL提示方法里去。你只需要把KeyInst附加到其他方法的提示后面，就能显著提升性能。这种“搭积木”式的设计，让它的实用性非常强。

单步方法的KeyInst

与管道方法的两步走不同，单步方法选择了一条更快的路：微调一个模型，让它同时完成KeyInst和SQL的生成。模型在生成过程中，先产生KeyInst作为初始推理步骤，然后再生成SQL。这个微调过程，本质上是在让模型

一个推理模式：先提炼关键指令，再输出最终答案。所以，当它再遇到新的Text2SQL任务时，就能够自发地按照这个模式进行推理，从而提升生成质量。

这种方法的输入和微调模型是一样的（模式和问题），但输出不同——输出包括KeyInst和SQL两部分。目标同样是优化损失函数，但这里的损失函数同时关注了KeyInst和SQL的预测准确性。它与常见Text2SQL微调模型的核心区别，就在于输出内容是结构化的，包含了推理链条。