NL2SQL 再创佳绩！阿里云论文中选 SIGMOD 2025

当地时间 6 月 22-27 日，顶级国际会议 SIGMOD 2025 在德国柏林正式召开。SIGMOD Conference 每年由 ACM 主办，汇集了全球顶尖的学者、研究人员和工业专家，探讨数据库系统、大数据处理、数据存储与检索、数据分析等方面的最新技术与应用。

阿里云计算平台事业部 AI 搜索团队的论文《OpenSearch-SQL: Enhancing Text-to-SQL with Dynamic Few-shot and Consistency Alignment》被 SIGMOD 2025 收录，论文主要成果为通过自学习的动态 Few-shot 和对齐机制提升 NL2SQL 的表现。

同时，在本次会议中，阿里云带来主题演讲分享“随心搜索：阿里云 AI 搜索算法趋势”，与全球顶尖专家们共同交流阿里云 AI 搜索的演变、技术支撑和未来演变。

中选论文

论文《OpenSearch-SQL: Enhancing Text-to-SQL with Dynamic Few-shot and Consistency Alignment》被 SIGMOD 2025 收录。

Text-to-SQL 任务一直以来广受数据库、AI 相关行业的研究者和从业者的关注。BIRD 榜单是近年来广受关注的 Text-to-SQL 的 benchmark，有测试数据库真实、规模大、涉及范围广的特点，十分接近日常应用中的需求。

自 LLM 时代以来，Text-to-SQL 在大模型的加持下，能力达到了新的平台，但是仍然存在着架构不清晰、无法充分利用大模型的能力以及数据库的真实特点的情况。同时 SFT 等训练领域模型等情况也存在着随着场景变化存在着过拟合、遗忘等问题。

本文的核心目标聚焦于提升 Text-to-SQL 任务中单条 query 的查询效果。我们通过搭建完整的 Text-to-SQL pipeline 解决过去存在的问题，包括：数据库知识缺位、大模型幻觉、Few-shot 信息利用不充分以及多 Agent 协作中信息传递导致的误差累计。

OpenSearch-SQL 的关键组成部分有：

• 一个鲁棒的 Pipeline：预处理、信息提取、生成、纠错

• Self-taught 的 Few-shot：通过自学习机制将 few-shot 从简单的 query-SQL Pair 变成 Query-CoT-SQL 来丰富查询信息

• 不同 Agent 协作的对齐机制：根据每个 agent 的特性构建对齐机制，减少 agent 信息传递以及 Agent 自身输入和输出的不匹配（幻觉）问题。

论文标题：OpenSearch-SQL: Enhancing Text-to-SQL with Dynamic Few-shot and Consistency Alignment （OpenSearch-SQL：通过动态少样本学习与一致性对齐增强文本到 SQL 转换）

论文作者：Xiangjin Xie, Guangwei Xu, Lingyan Zhao, Ruijie Guo

论文链接：https://arxiv.org/abs/2502.14913

演讲分享

演讲标题 「随心搜索：阿里云 AI 搜索算法趋势」

本次演讲概述了阿里云在人工智能驱动搜索技术方面的进展。演讲探讨了行业特定的搜索模型，以实现开箱即用的高效性，以及根据客户数据量身定制的算法。多模态搜索增强了文本和视觉搜索功能，包括图像和视频。自然语言搜索创新（例如 NL2Search）将关键词输入转化为对话式查询，而 WebSearch 则利用 API 和基于浏览器的方法进行全面的互联网搜索。这些改进旨在优化各种应用的搜索效率和准确性。

更多原理介绍和操作步骤，请参考产品文档：NL2SQL 服务配置https://help.aliyun.com/zh/open-search/search-platform/user-guide/nl2sql-service-configuration