文本到SQL（Text2SQL）作为从自然语言文本生成SQL查询的关键任务，是数据工程领域的重要挑战。近年来，大型语言模型凭借其卓越的理解与生成能力，在该任务中展现出优异性能。
然而，出于数据隐私和成本考量，企业往往难以使用基于外部服务化大型语言模型的Text2SQL方案，转而采用可本地部署的开放小型语言模型。这类小型模型虽解决了隐私与成本问题，却因泛化能力不足而难以应对Text2SQL等复杂任务。
为突破此局限，我们提出MATS------一个专为小型语言模型设计的创新Text2SQL框架。该框架通过多智能体机制，为辅助智能体分配专项角色以降低个体负荷并促进协同交互，同时采用基于强化学习的训练方案，通过执行过程中获得的反馈实现智能体对齐，从而在有限模型规模下保持竞争力。基准数据集上的评估表明，部署在单GPU服务器上的MATS框架，仅用极少的参数量即可实现与大型语言模型相媲美的准确率。
本研究提出的多智能体Text2SQL框架（MATS）通过创新的架构设计，成功解决了小语言模型在复杂文本到SQL任务上面临的泛化能力不足的难题。该框架将整体任务分解为理解、规划、生成与验证等关键环节，并通过多个轻量化智能体的分工协作与动态交互，有效模拟了大语言模型的复杂推理过程。特别值得强调的是，框架引入基于执行反馈的强化学习训练机制，使各智能体能够在真实数据库环境中持续学习和自我优化，从而显著提升了生成SQL语句的准确性与鲁棒性。
实验结果表明，MATS框架在仅使用单张GPU和极小参数量小模型的情况下，于多个权威基准测试上达到了与超大规模商用模型相媲美的性能水平。这一成果不仅验证了通过精巧的系统设计与训练策略能够极大弥补模型规模差距的技术路径，更从工程实践层面为广泛的企业级应用提供了关键启示：在数据安全与成本控制至关重要的现实场景中，基于开源小模型构建的、可私有化部署的高性能Text2SQL系统是完全可行的。
展望未来，这一研究为资源受限环境下的自然语言数据交互开辟了新的方向。其多智能体协同与闭环反馈优化的核心思想，亦可拓展至更广泛的代码生成、数据分析等认知密集型任务中，推动轻量化人工智能技术在实际业务中的深度落地与普惠发展。