《Text2SQL is Not Enough: Unifying AI and Databases with TAG》论文提出了一种名为Table-Augmented Generation (TAG)的新范式，通过结合语言模型与数据库系统解决自然语言查询问题，在准确率和查询类型覆盖上显著优于传统方法。一、研究背景与问题提出现有方法（如Text2SQL和Retrieval-Augmented Generation, RAG）在处理真实用户自然语言查询时存在局限性：仅能处理部分可通过关系代数表达的问题，对复杂语义或需要外部知识的查询支持不足。标准方法在基准测试中的正确率不超过20%，难以满足实际应用需求。图：TAG模型通过三阶段流程实现语言模型与数据库的融合二、TAG模型的核心机制TAG通过查询合成、查询执行、答案生成三个关键步骤，统一语言模型与数据库系统的能力：查询合成（Query Synthesis）将自然语言请求转换为可执行的数据库查询。涉及语义解析（理解用户意图）和数据相关性推理（匹配数据库结构）。例如：用户提问“过去三年销售额最高的产品”，模型需解析时间范围、聚合函数和排序逻辑。查询执行（Query Execution）利用数据库查询引擎高效执行合成后的查询，获取结构化数据。优势：数据库系统提供可扩展的计算能力，支持大规模数据操作。答案生成（Answer Generation）基于查询结果，使用语言模型生成自然语言答案。可能涉及迭代或递归处理：如对多表关联结果进行总结，或根据部分结果调整查询。三、实验验证与性能提升基准测试设计：开发首个端到端TAG基准测试，包含需语言模型推理和知识的现实查询场景。对比结果：传统方法准确率≤20%；手工编写的TAG管道准确率提升20-65%，显著优于现有方案。四、创新点与研究价值统一范式：首次将语言模型的推理能力与数据库的计算能力结合，突破Text2SQL的代数表达限制。广泛查询覆盖：支持复杂语义、多步骤推理和外部知识依赖的查询。端到端优化：通过三阶段协同，减少中间误差传递，提升答案准确性。五、应用场景与展望智能客服：处理用户模糊提问，自动生成结构化回答。数据分析：支持非技术用户通过自然语言查询复杂数据。未来方向：优化查询合成效率、扩展多模态数据支持、降低模型部署成本。论文链接：https://zhuanlan.zhihu.com/p/717563712相关技术平台：海尔智家COSMOPlat智能交互引擎