论文核心创新 - 提出Interactive-T2S框架，将大型语言模型塑造为能与数据库进行多轮、迭代式交互的智能代理，通过"思考-行动-观察"循环逐步构建SQL查询，突破传统方法将LLM视为一次性SQL翻译器的局限 [2] - 框架设计四大核心工具（SearchColumn、SearchValue、FindShortestPath、ExecuteSQL）将SQL生成拆解为"找列找值-表关联-执行验证"三步，避免LLM直接处理海量冗余信息 [6][7] - 采用统一交互流程（问题拆解→信息定位→表关联→SQL执行），每一步均要求LLM输出思考过程与工具行动，确保生成逻辑可追溯，同时仅需2个标注示例即可实现少样本学习 [10] 技术性能优势 - 在BIRD-Dev数据集上执行准确率达54.56%，较当前最优方法ExSL（51.69%）提升2.87个百分点，在金融去噪数据集BIRD-FinC上准确率49.06%，显著高于Zero-shot（31.13%）与DIN-SQL（47.17%） [14] - 在Spider-Dev与BIRD-Dev上的prompt token消耗仅为DIN-SQL的36%（4.6k vs 12.8k）与22%（4.7k vs 21.6k），效率提升源于动态获取必要信息的设计，无需输入全表列信息 [15] - 在仅使用2个示例的少样本设置下，Spider-Syn与Spider-Realistic数据集上的执行准确率分别达78.7%、80.7%，与依赖6-7个示例的基准方法性能接近，且在跨领域场景中泛化能力更优 [16] - 消融实验显示移除FindShortestPath工具后，在需4个及以上表关联的场景中，Spider-150与BIRD-150子集的执行准确率分别下降22个、12个百分点，证明该工具能有效降低LLM的多表关联推理负担 [17] 行业应用潜力 - 智能教育领域可适配"知识点-题库-学生答题记录"多表关联场景，教师通过自然语言查询（如"某知识点错题率Top3的班级"）无需编写复杂SQL [18] - 企业数据分析场景能处理含数百列的业务宽表（如销售数据表），市场人员可快速查询"某季度某区域客单价变化"，降低对数据分析师的依赖 [18] - 政务公开查询可简化数据查询流程，市民通过自然语言提问（如"查询某区2024年社保参保人数"）即可获取精准结果 [18]