在数字化时代，数据已成为企业和组织的核心资产，但如何让非技术人员轻松获取数据 insights 一直是行业难题。传统的 SQL 查询要求使用者掌握专业的编程语言知识，这在很大程度上限制了数据的普及应用。而 Text-to-SQL 技术的出现，让用户可以用自然语言提问，系统自动生成对应的 SQL 语句，极大降低了数据访问的门槛。在这一领域，蚂蚁集团推出的 Agentar-Scale-SQL 凭借其卓越的性能和创新的技术方案，成为行业关注的焦点。
一、Agentar-Scale-SQL：Text-to-SQL 领域的佼佼者
Agentar-Scale-SQL 是蚂蚁集团研发的一套先进 Text-to-SQL 解决方案，旨在通过「编排式测试时扩展」技术提升自然语言到 SQL 转换的准确性和效率。从公开信息来看，它不仅在学术研究上取得了突破，更在实际应用中展现出强大的落地能力。
在权威的 BIRD 排行榜上，Agentar-Scale-SQL 以 81.67% 的执行准确率位居榜首，超过了 AskData + GPT-4o（80.88%）、LongData-SQL（77.53%）等知名方案。这一成绩并非偶然，背后是其在技术架构、模型设计和工程实现上的多重创新。
从项目定位来看，Agentar-Scale-SQL 并非单一工具，而是一套完整的技术体系。它包含了用于生成 SQL 的大模型、处理数据库结构的轻量 schema 引擎、离线数据预处理管道等核心组件，同时还延伸出商业化产品「Data Agent」------ 一款面向企业的 ChatBI 工具，让用户能通过自然语言直接与业务数据交互，无需编写任何代码。
二、核心优势：从技术创新到实用价值
Agentar-Scale-SQL 的竞争力体现在多个维度，既有底层技术的突破，也有贴近实际场景的设计考量。
1. 顶尖的执行准确率
在 Text-to-SQL 领域，执行准确率（EX）是衡量系统性能的核心指标，它代表生成的 SQL 语句能否正确执行并返回符合预期的结果。Agentar-Scale-SQL 在 BIRD 测试集上的 EX 达到 81.67%，这意味着在绝大多数场景下，用户的自然语言提问都能被准确转化为可执行的 SQL。
对比其他方案，这一成绩的优势明显。例如，基于 GPT-4o 的 AskData 方案准确率为 80.88%，而 LongData-SQL 等开源方案则在 77% 左右。更高的准确率意味着更低的人工校对成本，让用户可以更放心地依赖系统生成的结果。
2. 完整的技术生态
Agentar-Scale-SQL 构建了从模型到工具的完整生态。2025 年 11 月，蚂蚁集团发布了 Agentar-Scale-SQL-Generation-32B 大模型，分别在 Hugging Face 和 ModelScope 平台开源，供开发者使用。该模型专注于 SQL 生成任务，经过大规模数据训练，能理解复杂的自然语言问题并生成对应的 SQL 语句。
同时，项目还开源了「轻量 schema 引擎」和「离线数据预处理管道」。轻量 schema 引擎用于提取和简化数据库结构信息，帮助模型更好地理解表、列之间的关系；离线数据预处理管道则能对原始数据进行清洗、转换和索引构建，为后续的 SQL 生成提供高质量输入。
3. 贴近实际场景的设计
与一些仅关注学术指标的方案不同，Agentar-Scale-SQL 充分考虑了工业界的需求。例如，它支持 SQLite 等主流数据库方言，适配企业常用的数据库环境；提供了完整的部署和使用流程，包括环境配置、数据准备、模型推理等步骤，降低了开发者的使用门槛。
此外，项目还推出了商业化产品 Data Agent，将技术能力封装为易用的工具。用户只需在网页上输入自然语言问题，如"上个月销售额最高的三个产品是什么"，系统就能自动生成 SQL 并返回结果，整个过程无需专业知识，极大提升了数据查询的效率。
三、技术解析：如何让自然语言精准转化为 SQL？
Agentar-Scale-SQL 的高准确率源于其创新的技术架构和精细的工程实现。从技术细节来看，它主要通过以下几个环节实现自然语言到 SQL 的高效转换。
1. 数据预处理：为模型提供高质量输入
数据预处理是提升 SQL 生成准确率的基础。Agentar-Scale-SQL 设计了多步骤的预处理流程，确保模型能获得清晰的数据库结构和相关信息。
首先是「轻量 schema 生成」。通过运行 python -m ScaleSQL.workflows.schema_generation --evaluation_type test 命令，系统会分析数据库中的表、列、数据类型、主键、外键等信息，生成简洁的 schema 描述。例如，它会为每个列添加示例值（如"性别列的示例值：男、女"）和描述（如"用户 ID：唯一标识用户的编号"），帮助模型理解字段含义。
其次是「向量数据库构建」。项目使用 SentenceTransformer 模型对训练集中的 SQL 骨架（去除具体值后的抽象结构）和数据库单元格值进行编码，存储到 Chroma 向量数据库中。当处理新问题时，系统能快速检索相似的历史案例，为当前 SQL 生成提供参考。
最后是「BM25 索引构建」。通过运行 bash ddl_schema.sh 脚本，系统会对数据库中的文本内容（如产品名称、类别等）建立 BM25 索引，用于快速匹配自然语言中的实体（如"2023 年""北京"）与数据库中的具体值，提升条件过滤的准确性。
2. 模型架构：分层处理复杂问题
Agentar-Scale-SQL 的核心是其分层的模型架构，通过多个模块协同处理自然语言到 SQL 的转换过程。
-
关键词提取模块 ：该模块使用大模型（如 Gemini-Flash）从用户问题中提取数据库实体（如"销售额""2024 年"）和问题骨架（如"查询 [时间] 的 [指标] 最大值"）。骨架生成时会将具体值替换为占位符（如
<时间><指标>），保留问题的逻辑结构，为后续 SQL 生成提供指导。 -
SQL 生成模块：基于提取的关键词和骨架，该模块调用多个不同配置的大模型（如 Gemini、GPT-5）生成多个 SQL 候选。例如，有的模型设置较高的温度参数（1.8）以生成更多样的结果，有的则设置较低温度（0.5）以保证稳定性，通过多模型协作提升结果的覆盖性。
-
SQL 修正与选择模块：生成的候选 SQL 会经过修正（如语法检查、逻辑验证）和筛选。系统会模拟执行 SQL，检查是否存在语法错误或逻辑问题，并根据执行结果的合理性选择最优方案。这一过程类似于"多人解题后投票"，进一步提升结果的可靠性。
3. 工程优化：提升效率与可扩展性
为了让技术方案能在实际场景中落地，Agentar-Scale-SQL 在工程实现上做了诸多优化。
例如，它使用 vLLM 进行推理加速，通过高效的内存管理和批处理技术，提升大模型的响应速度。在环境配置上，项目提供了清晰的步骤：使用 Conda 创建虚拟环境、安装 PyTorch 等依赖、下载预训练模型，即使是新手也能快速搭建运行环境。
此外，项目采用模块化设计，各组件（如 schema 生成、向量检索、模型推理）之间通过配置文件解耦，开发者可以根据需求替换其中的模块（如改用其他嵌入模型或向量数据库），提升了系统的可扩展性。
四、使用指南：从零开始体验 Agentar-Scale-SQL
对于开发者来说，体验和部署 Agentar-Scale-SQL 的过程并不复杂，只需按照以下步骤操作，即可快速搭建起一套 Text-to-SQL 系统。
1. 环境准备
首先需要创建一个独立的 Python 环境，避免依赖冲突。推荐使用 Conda 工具：
bash
conda create -n ScaleSQL python=3.10
conda activate ScaleSQL接着安装 PyTorch（需适配 CUDA 12.1，以支持 GPU 加速）：
bash
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121然后安装项目依赖和 vLLM 推理引擎：
bash
pip install -r requirements.txt
pip install https://github.com/vllm-project/vllm/releases/download/v0.8.5.post1/vllm-0.8.5.post1+cu121-cp38-abi3-manylinux1_x86_64.whl最后下载嵌入模型（用于向量生成）：
bash
modelscope download --model sentence-transformers/all-MiniLM-L6-v2 --local_dir ./ScaleSQL/model/all-MiniLM-L6-v22. 数据配置
修改配置文件 ScaleSQL/workflows/config/pipeline_config.yaml，指定数据集路径和列含义文件路径（列含义文件可从 TA-SQL 项目获取，用于补充字段描述）：
yaml
dataset_folder: /path/to/your/dataset
column_meaning_path: /path/to/column_meaning.json其中，dataset_folder 需包含数据库文件（如 SQLite 格式）和表结构信息，column_meaning.json 则存储各字段的详细描述（如"order_date：订单创建日期，格式为 YYYY-MM-DD"）。
3. 预处理执行
完成环境和数据配置后，执行预处理步骤：
生成轻量 schema：
bash
python -m ScaleSQL.workflows.schema_generation --evaluation_type test执行后会生成 bird_test_light_schema.json，包含简化后的数据库结构信息。
处理训练集示例并写入向量数据库：
bash
ANONYMIZED_TELEMETRY=False python -m ScaleSQL.workflows.train_skeleton_process该步骤会将训练集中的 SQL 骨架编码后存入 Chroma 数据库，用于后续相似案例检索。
处理数据库单元格值并写入向量数据库：
bash
ANONYMIZED_TELEMETRY=False python -m ScaleSQL.workflows.database_cell_process --evaluation_type test构建 BM25 索引（需 Java 环境支持）：
bash
bash ddl_schema.sh完成后，系统会生成 bird_test_ddl_schema.json，包含用于文本检索的索引信息。
4. 运行与测试
预处理完成后，即可启动系统进行测试。通过调用相关 API 或脚本，输入自然语言问题（如"查询 2024 年第三季度每个地区的销售总额"），系统会返回生成的 SQL 语句及执行结果。
对于开发者，项目提供了详细的代码注释和模块化接口，可以根据需求进行二次开发，例如集成到自有数据平台或调整模型参数以适配特定场景。
五、成果与影响：从学术突破到产业价值
Agentar-Scale-SQL 的推出，不仅在学术领域推动了 Text-to-SQL 技术的发展，也为产业界提供了一套可落地的解决方案。
在学术方面，项目团队于 2025 年 9 月在 arXiv 上发表了论文《Agentar-Scale-SQL: Advancing Text-to-SQL through Orchestrated Test-Time Scaling》，详细阐述了其技术方案。论文中提出的"编排式测试时扩展"思路，通过多模型协作、多阶段处理的方式提升 SQL 生成准确率，为相关研究提供了新的方向。
在产业应用上，商业化产品 Data Agent 已在多个场景落地。例如，零售企业的市场人员可以通过自然语言查询不同区域的销售数据，无需等待数据分析师支持；金融机构的风控人员能快速检索客户的交易记录，提升风险识别效率。这种"人人可用数据"的模式，极大释放了数据的价值。
此外，项目的开源策略也促进了技术普及。Agentar-Scale-SQL-Generation-32B 模型、轻量 schema 引擎等组件的开源，让中小企业和研究机构可以低成本使用先进技术，推动了 Text-to-SQL 领域的整体发展。
六、未来展望：持续进化的 Text-to-SQL 技术
根据项目的发布路线图，Agentar-Scale-SQL 团队计划在未来推出更多功能。例如，即将开源的 Agentar-Scale-SQL-Selection-32B 模型将专注于 SQL 候选的筛选，进一步提升结果的准确性；同时，针对闭源模型的 SQL 候选生成代码、基于微调模型的生成代码也将逐步开放，丰富开发者的选择。
从技术趋势来看，Text-to-SQL 正朝着更智能、更易用的方向发展。未来，Agentar-Scale-SQL 可能会融合多模态输入（如表格、图表）、支持更复杂的逻辑推理（如嵌套查询、窗口函数），并进一步优化响应速度，让自然语言与数据库的对话更接近人类交互的体验。
对于企业而言，随着数据量的爆炸式增长，高效的数据访问工具将成为核心竞争力之一。Agentar-Scale-SQL 及其背后的技术理念，无疑为这一需求提供了可行的解决方案，推动数据驱动决策从口号走向实践。
结语
Agentar-Scale-SQL 的出现，不仅是技术上的一次突破，更代表了"让数据触手可及"的理念。从学术研究到产业应用，从模型开源到产品落地，它构建了一条完整的技术链路，让 Text-to-SQL 从实验室走向了真实世界。
对于开发者，它提供了一套可复用的技术框架，降低了构建高性能 Text-to-SQL 系统的门槛；对于企业，它让数据查询变得简单高效，释放了非技术人员的数据分析能力；对于整个行业，它推动了自然语言处理与数据库技术的融合，为智能化数据交互开辟了新的可能。
随着技术的不断迭代，我们有理由相信，未来人与数据的对话将更加自然、高效，而 Agentar-Scale-SQL 无疑会在这一进程中扮演重要角色。