DecoSearch: Text-to-SQL을 위한 복잡도 인식 라우팅 및 계획 수준 복구
DecoSearch: Complexity-Aware Routing and Plan-Level Repair for Text-to-SQL
대규모 언어 모델(LLM)은 자연어를 SQL로 변환하는 데 뛰어난 능력을 보여주었지만, 다단계적이고 데이터 인식(data-aware) 추론이 필요한 복잡한 쿼리에서는 기존 방법들이 여전히 부족함을 드러냅니다. 우리는 이를 해결하기 위해 각 쿼리를 적절한 수준의 추론 노력으로 라우팅하는 학습 없는(training-free) 프레임워크인 DecoSearch를 제안합니다. 경량 Schema Selector가 먼저 전체 데이터베이스 스키마를 관련 테이블과 열로 가지치기합니다. 이후 LLM Judger가 질문에 분해(decomposition)가 필요한지 판단합니다. 단순한 질문은 직접 생성 경로를 따르고, 복잡한 질문은 원자적 하위 질문들의 방향성 비순환 그래프(DAG)로 상향 조정되며, 각 하위 질문은 목표 지향적인 SQL 생성 단계로 해결됩니다. RAG 구성요소는 의미적으로 유사한 학습 예시로 분해기(decomposer)를 그라운딩하고, Topology Refiner는 실행 실패가 수정 가능한 SQL 오류가 아닌 결함 있는 분해를 나타낼 때 추론 계획을 재구성합니다. DecoSearch는 DeepSeek 백본으로 BIRD에서 70.53%, Spider에서 88.31%의 실행 정확도를 달성하여, 경쟁 방법들보다 한 자릿수 적은 토큰을 소비하면서 모든 학습 없는 기준선을 능가합니다. 또한 이는 모델에 구애받지 않는 래퍼로 작동하여, 파이프라인을 수정하지 않고도 파인튜닝된 SQL 생성 백본을 일관되게 개선합니다.