BAP-SQL: 예산 기반 관찰 계획을 통한 능동적인 Text-to-SQL

BAP-SQL: Budget-Aware Observation Planning for Agentic Text-to-SQL

도구 사용 에이전트는 단순히 관찰 데이터를 소비하는 것이 아니라, 그들의 행동이 다음에 어떤 정보가 나타날지를 결정합니다. 능동적인 Text-to-SQL 시스템에서, 광범위한 쿼리는 유용한 증거가 나타나기 전에 많은 컨텍스트와 데이터베이스 작업을 소모할 수 있으며, 사후 압축으로는 누락된 행이나 소모된 작업량을 복구할 수 없습니다. 본 논문에서는 BAP-SQL을 제안하며, 이는 관찰 형성을 예산 관리 단계로 간주합니다. BAP-SQL은 쿼리 위험을 추정하고, 유용한 경우 SQL 쿼리를 재작성하며, 엄격한 제한을 독립적인 런타임 보호 시스템에 위임합니다. 일반적인 4B 모델, 특수 목적의 FINER-SQL 4B 모델 및 7B 모델에서 BAP-SQL은 제한된 예산 환경에서의 성공률을 향상시킵니다. 주요 BIRD 데이터셋 기반 설정에서, BAP-SQL은 동등한 SFT 모델보다 3.4/3.6% 포인트 더 높은 성능을 보이며, 동시에 4.5/5.0% 더 적은 토큰을 사용합니다. 동등한 재학습 및 작업 수준 전이 분석 결과, 이러한 성능 향상은 정책 기반 계획과 예산 민감한 복구 기능 때문임을 알 수 있습니다. 모델의 능력과 예산이 증가함에 따라 이점은 감소하며, 가장 관대한 설정에서는 반전될 수 있으며, 데이터베이스 작업량에는 영향을 미치지 않습니다.

Tool-using agents do not merely consume observations: their actions determine what arrives next. In agentic text-to-SQL, a broad query can spend context and database work before useful evidence appears, while post-hoc compression cannot recover omitted rows or expended work. We present BAP-SQL, which treats observation formation as a budget-control stage: it estimates query risk, rewrites SQL when useful, and delegates hard limits to an independent runtime shield. Across general 4B, specialized FINER-SQL 4B, and 7B backbones, BAP-SQL improves tight-budget success. On the primary BIRD-derived setting, it gains 3.4/3.6 percentage points over matched SFT while using 4.5/5.0% fewer tokens. Matched retraining and task-level transfer associate the gain with policy-visible planning and budget-sensitive rescue. The benefit attenuates as model capability and budget increase, reverses at the loosest setting, and does not reduce database work.