论文：DIN-SQL：Decomposed In-Context Learning of Text-to-SQL with Self-Correction

ps：才开始学习，有问题很正常，QAQ，主要是自用当笔记本

1.Introduction

         在zero-shot和few-shot下的大模型已经有了足够好的结果，但这些模型在常用的基准测试（比如spider上）仍然落后于设计良好的经过微调的模型，如下图：

      微调相比于从头开始或微调一个模型，不需要消耗过多的资源，此外在一些基准测试数据集上，few-shot已经展现出较好性能，在训练例子有限的情况下也能有很高准确率。最新结果表明，LLM在使用如：chain-of-thought、least-to-most、decomposed prompting techniques等技术后在更复杂的任务中的性能可以得到改善。

     本文的贡献在于：

        （1）通过任务分解提高了基于LLM的text-to-SQL的模型性能

        （2）引入适应任务复杂性的自适应提示策略

        （3）在提示上下文中解决schema links挑战

        （4）使用LLM进行自修正

2.Related Work

        seq-to-seq模型在text2sql任务中显示出了巨大潜力，核心思想是结合给定的自然语言问题和schema并理由解码器来预测目标的SQL。

        具体的略

3.Few-shot错误分析

        随机在spider数据集的训练集中的不同数据库中抽取了500个查询，来解释LLM在少数情况下的失败之处。本文手动检查了这些失败，并将其分为六种。