ทันเอไอ

ทบทวน Text-to-SQL ด้วย LLM: งานสำรวจกว่า 100 ชิ้นชี้ 5 แนวทางหลัก

งานสำรวจบน arXiv รวบรวมงานวิจัยการแปลงคำถามภาษาธรรมชาติเป็นคำสั่ง SQL ด้วยโมเดลภาษาขนาดใหญ่ พร้อมชี้แนวทางหลักและระบบตัวอย่างที่น่าศึกษาต่อ

นักวิจัยกลุ่มหนึ่งเผยแพร่งานสำรวจชื่อ "Reimagining Text-to-SQL: A Survey of Large Language Model Architectures and Strategies" บนเว็บ arXiv หมวด cs.AI รหัส 2611.00171 ส่งฉบับแรกเมื่อวันที่ 30 ตุลาคม 2026 ผู้เขียนคือ Shikhar Dave, Bhaskarjit Sarmah และ Stefano Pasquali

Text-to-SQL คือระบบที่แปลงคำถามภาษาธรรมชาติ เช่น "สาขาไหนมียอดขายสูงสุดเดือนที่แล้ว" ให้เป็นคำสั่ง SQL ที่รันกับฐานข้อมูลได้จริง ทำให้คนที่ไม่ได้เขียนโค้ดดึงข้อมูลเองได้ ผู้เขียนระบุว่าทบทวนบทความและทรัพยากรทางเทคนิคกว่า 100 รายการ เน้นช่วงปี 2022–2026 และจัดแนวทางหลักเป็น 5 กลุ่ม ได้แก่ การเรียนรู้จากตัวอย่างในบริบท (in-context learning) การปรับจูนโมเดล (fine-tuning) เอเจนต์ที่ใช้เครื่องมือ การค้นข้อมูลเสริมการสร้างคำตอบ (RAG) และการเรียนรู้แบบเสริมกำลัง (reinforcement learning)

ในบทคัดย่อ งานนี้ยกระบบที่ใช้ LLM เป็นตัวอย่าง ได้แก่ ReFoRCE, Agentar-Scale-SQL, Arctic-Text2SQL-R1 ของ Snowflake และ XiYan-SQL แบบโมดูลาร์ บทคัดย่อระบุว่าแนวทางเหล่านี้ช่วยดันความแม่นยำในการรันคำสั่ง SQL ขึ้นถึงระดับสูงสุดใหม่บน benchmark อย่าง Spider, Spider 2.0 และ BIRD ทั้งนี้งานสำรวจไม่ได้เป็นการทดสอบเอง ตัวเลขเฉพาะต้องอ่านจากต้นฉบับ

สำหรับ Arctic-Text2SQL-R1 บล็อกของ Snowflake ลงวันที่ 29 พฤษภาคม 2025 ระบุว่าโมเดลนี้ใช้การเรียนรู้แบบเสริมกำลัง โดยให้รางวัลจากความถูกต้องของผลลัพธ์เมื่อรัน SQL อย่างไรก็ตาม บล็อกนี้ไม่ได้ตรวจรับรองงานสำรวจทั้งฉบับ

ใครควรสนใจ? นักวิเคราะห์ข้อมูลที่อยากรู้ว่า AI ช่วยเขียน SQL ได้แค่ไหน นักพัฒนาที่กำลังเลือกแนวทางสร้างระบบ และนักศึกษาที่ต้องการภาพรวมก่อนลงลึก หากอยากเริ่มต้น แนะนำให้อ่านบทคัดย่อบน arXiv ก่อน แล้วค่อยไล่ดูงานอ้างอิงที่ผู้เขียนรวบรวมไว้

ข้อควรระวัง: ข้อมูลที่ตรวจพบยังมาจากต้นฉบับ arXiv และบล็อกของ Snowflake ซึ่งยืนยันเฉพาะส่วนของ Arctic-Text2SQL-R1 ยังไม่พบสื่ออิสระที่ตรวจงานนี้โดยตรง