💬 NLP

FlexSQL: Flexible Exploration and Execution Make Better Text-to-SQL Agents

FlexSQL introduce un agente de texto a SQL que supera a modelos más potentes en la evaluación Spider2-Snow al emplear un principio de diseño flexible que permite la exploración dinámica de esquemas, la inspección de datos y planes de ejecución diversos con un mecanismo de reparación de dos niveles a lo largo del proceso de razonamiento.

Autores originales: Quang Hieu Pham, Yang He, Ping Nie, Canwen Xu, Davood Rafiei, Yuepeng Wang, Xi Ye, Jocelyn Qiaochu Chen

Publicado 2026-05-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Quang Hieu Pham, Yang He, Ping Nie, Canwen Xu, Davood Rafiei, Yuepeng Wang, Xi Ye, Jocelyn Qiaochu Chen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de resolver un misterio, pero en lugar de una escena del crimen, tu "escena del crimen" es una biblioteca masiva y caótica que contiene millones de libros, archivos y puntos de datos. Tu jefe te da una pista vaga: "Encuentra todas las patentes sobre ciencia de materiales presentadas a principios de 2014 y cuenta cuántas patentes anteriores mencionan".

La mayoría de los programas informáticos actuales que intentan resolver esto actúan como un robot rígido. Se les proporciona un mapa de la biblioteca una sola vez al inicio. Eligen algunos estantes basándose en ese mapa, escriben una lista de instrucciones (una consulta) y luego intentan ejecutarla. Si se atascan o la respuesta es incorrecta, solo pueden corregir pequeños errores tipográficos en sus instrucciones. No pueden volver atrás y decir: "Espera, elegí los estantes equivocados por completo", o "No me di cuenta de que 'ciencia de materiales' estaba oculta bajo un código como 'MS-01'". Quedan atrapados con su error inicial.

FlexSQL es un nuevo tipo de agente detective que actúa más como un explorador humano curioso. En lugar de ser rígido, es flexible. Así es como funciona, usando analogías simples:

1. El "Explorador Flexible" (Interacción Flexible)

En lugar de mirar el mapa de la biblioteca una vez y comprometerse con un camino, FlexSQL tiene permitido deambular por la biblioteca mientras piensa.

La Vieja Forma: El robot mira el mapa, adivina que "Ciencia de Materiales" está en la sección de "Ciencias" y comienza a escribir su lista.
La Forma de FlexSQL: El agente dice: "No estoy seguro de dónde está 'Ciencia de Materiales'. Déjame caminar hacia la sección de 'Tecnología', asomarme dentro de una caja y leer las etiquetas".
Utiliza herramientas especiales para explorar los estantes (esquema), leer el contenido real de las cajas (valores de datos) y ejecutar pequeñas búsquedas de prueba para ver si sus suposiciones tienen sentido. Si se da cuenta de que está en el pasillo equivocado, puede girar inmediatamente y dirigirse al correcto. No queda atrapado en un callejón sin salida.

2. El "Equipo de Lluvia de Ideas" (Planificación Diversa)

La pista "las patentes anteriores que cada una cita" es complicada. ¿Significa solo patentes nacionales? ¿También las extranjeras? ¿Las solicitudes pendientes?

La Vieja Forma: El robot elige una interpretación (por ejemplo, "Solo nacionales") y se apega a ella. Si está equivocado, toda la respuesta es incorrecta.
La Forma de FlexSQL: Actúa como un equipo de detectives haciendo una lluvia de ideas. Genera múltiples teorías diferentes (planes) a la vez.
- Plan A: Contar solo citas nacionales.
- Plan B: Contar nacionales y extranjeras.
- Plan C: Contar todo, incluidas las solicitudes pendientes.
  Ejecuta todas estas teorías y luego deja que la "votación mayoritaria" decida qué respuesta es la más probable de ser correcta. De esta manera, incluso si una teoría es incorrecta, el equipo podría obtener la respuesta correcta.

3. El "Traductor Bilingüe" (Ejecución Flexible)

A veces, una tarea es demasiado complicada para escribirla como una sola instrucción lineal (SQL). Podría requerir un bucle, una decisión de "si-entonces" o un cálculo paso a paso que es desordenado de escribir en un lenguaje de base de datos.

La Vieja Forma: El robot intenta forzar todo en una sola oración SQL rígida, a menudo haciéndola demasiado compleja y propensa a fallar.
La Forma de FlexSQL: Es bilingüe. Puede escribir las instrucciones en SQL (el lenguaje que hablan las bases de datos) O en Python (un lenguaje de programación flexible).
- Si la tarea es una lista simple, usa SQL.
- Si la tarea requiere un bucle complejo o un cálculo paso a paso, escribe primero un script en Python porque es más fácil pensar de esa manera.
- Una vez que el script de Python funciona perfectamente, traduce el resultado final de nuevo a SQL para que la base de datos lo entienda. Es como escribir una receta compleja en un cuaderno primero y luego traducirla al pedido oficial de la cocina.

4. El Botón de "Rehacer" (Retroceso)

Si FlexSQL escribe un plan y luego se da cuenta: "Oh no, entendí mal la pregunta por completo", no solo intenta corregir el código. Presiona el botón de retroceso. Vuelve todo el camino hasta el principio, reexamina los estantes de la biblioteca, cambia toda su estrategia y comienza un nuevo plan. Esto evita que pierda tiempo intentando arreglar una base rota.

Los Resultados

El artículo probó a este "detective flexible" en un benchmark muy difícil llamado Spider2, que simula bases de datos corporativas masivas del mundo real.

La Puntuación: Usando un modelo llamado gpt-oss-120b, FlexSQL obtuvo 65.4%.
La Comparación: Esta puntuación fue superior a la de otros sistemas principales que utilizaron modelos mucho más grandes y potentes (como DeepSeek-R1 o gpt-o3).
La Conclusión: Al ser flexible —deambulando por la biblioteca, generando múltiples teorías, hablando dos idiomas y presionando "deshacer" cuando es necesario— FlexSQL resolvió problemas mejor que los "robots rígidos", incluso con un cerebro más pequeño.

En resumen, FlexSQL demuestra que en el complejo mundo de los grandes datos, la flexibilidad vence a la rigidez. Es mejor ser un agente que puede explorar, adaptarse y cambiar de opinión que uno que obstinadamente sigue un único mapa preescrito.

Resumen Técnico: FlexSQL

Enunciado del Problema

Los sistemas de texto-a-SQL enfrentan desafíos crecientes a medida que las bases de datos analíticas aumentan en escala y complejidad. Los almacenes de datos modernos (por ejemplo, Snowflake, BigQuery) a menudo contienen cientos de tablas organizadas en múltiples esquemas, con algunas bases de datos que superan los 60.000 columnas. Los sistemas actuales suelen seguir una tubería fija: recuperan los elementos del esquema una vez al inicio, generan una consulta basada en esa instantánea estática y solo vuelven a visitar la base de datos para una reparación posterior si ocurren errores.

Esta rigidez crea dos modos de fallo principales:

Incapacidad de recuperarse de errores tempranos: Si un modelo selecciona las tablas incorrectas o malinterpreta el significado de una columna durante la fase inicial de vinculación del esquema, los mecanismos de reparación aguas abajo no pueden recuperarse porque el agente queda atrapado en un bucle de corrección de código en lugar de revisar sus suposiciones fundamentales.
Ambigüedad de la consulta: Las consultas en lenguaje natural a menudo admiten múltiples interpretaciones válidas (por ejemplo, qué subconjunto de tablas de citas utilizar). Las tuberías fijas a menudo se comprometen con una sola interpretación, pasando por alto soluciones alternativas válidas.

Metodología: Marco FlexSQL

FlexSQL introduce un agente de texto-a-SQL diseñado en torno a la interacción flexible con la base de datos. En lugar de una tubería fija, el agente puede explorar estructuras de esquemas, inspeccionar valores de datos y ejecutar consultas de verificación en cualquier punto durante el razonamiento.

Componentes Principales

Interacción con la Base de Datos Basada en Herramientas:
El agente está equipado con un conjunto de herramientas para interactuar con la base de datos de forma incremental:
- Navegación del Esquema: GetSchema (listar tablas en un esquema) y GetTableCol (inspeccionar columnas y valores de muestra) permiten una exploración de arriba hacia abajo.
- Inspección de Datos: GetColValues y FindRows permiten al agente fundamentar las decisiones en valores de datos reales (por ejemplo, descubrir que "ciencia de materiales" corresponde a códigos específicos como "MS-01") en lugar de depender únicamente de metadatos.
- Ejecución de Código: SQLExecutor y PythonExecutor permiten al agente probar subconsultas, verificar resultados intermedios y depurar soluciones parciales de forma iterativa.
Generación de Planes con Diversidad Forzada:
Para manejar la ambigüedad de las consultas, FlexSQL genera $K$ planes de ejecución diversos utilizando muestreo verbalizado. Estos planes cubren diferentes interpretaciones respecto a la elección de tablas, rutas de unión y lecturas de predicados. El agente explora activamente la base de datos para fundamentar cada plan en datos reales antes de finalizarlo.
Síntesis de Programas Bilingüe (SQL y Python):
FlexSQL permite que cada plan se implemente en SQL o Python, dependiendo de la complejidad de la tarea.
- SQL se utiliza para consultas relacionales declarativas.
- Python se emplea para flujos de trabajo procedimentales, transformaciones de múltiples pasos y lógica iterativa que resulta engorrosa en SQL puro.
- Las soluciones en Python se transpilan posteriormente a SQL para la salida final.
Reparación y Retroceso en Dos Niveles:
- Reparación a Nivel de Código: Si un programa generado falla (errores de sintaxis, agregación incorrecta), el agente regenera el código con retroalimentación de error.
- Retroceso a Nivel de Plan: Si el error proviene de un fallo de razonamiento más profundo (por ejemplo, selección incorrecta de tablas o uniones faltantes), el sistema retrocede a la etapa de Generación de Planes. El agente revisa el propio plan, potencialmente reexplorando la base de datos, en lugar de simplemente parchear el código.
Votación Mayoritaria:
Después de generar $K$ programas (una mezcla de SQL y Python), el sistema los agrupa por salida de ejecución. Se selecciona la respuesta de consenso (la clase de equivalencia más grande). Si el consenso es una solución en Python, se transpila a SQL.

Contribuciones Clave

Arquitectura de Interacción Flexible: Un agente de texto-a-SQL que reemplaza las etapas de tubería fija con herramientas bajo demanda para navegación del esquema, inspección de datos y ejecución de código durante todo el proceso de razonamiento.
Plan-a-Programa en Dos Etapas con Retroceso: Una arquitectura que permite a los agentes revisar no solo el código, sino también sus planes subyacentes y suposiciones de esquema cuando se detectan errores.
Diversidad y Generación Bilingüe: Una combinación de muestreo de planes con diversidad forzada para manejar la ambigüedad y generación bilingüe (SQL/Python) para implementar estrategias variadas de manera flexible.
Validación Empírica: Un rendimiento sólido en la prueba de referencia Spider2.0, demostrando efectividad a través de diferentes tamaños de modelos y escalado en tiempo de prueba.

Resultados Experimentales

Los autores evaluaron FlexSQL en Spider2-Snow (544 preguntas sobre bases de datos Snowflake) y Spider2-SQLite (135 preguntas sobre bases de datos SQLite), comparando contra bases fuertes de código abierto (ReFoRCE y DSR-SQL) utilizando gpt-oss-120b y gpt-oss-20b.

Rendimiento: Utilizando gpt-oss-120b, FlexSQL logró un 65.44% de Mayoría@8 en Spider2-Snow. Esto superó a DSR-SQL (usando DeepSeek-R1) y a ReFoRCE (usando gpt-o3), a pesar de que FlexSQL utiliza un modelo base significativamente más pequeño.
Eficiencia de Parámetros: La variante gpt-oss-20b de FlexSQL superó o se mantuvo comparable a las bases que utilizan modelos más grandes de 120b.
Escalado en Tiempo de Prueba: FlexSQL mostró ganancias consistentes a medida que el presupuesto de muestreo ( $K$ ) aumentaba de 8 a 64, confirmando la efectividad del enfoque con diversidad forzada.
Estudios de Ablación:
- Eliminar el soporte de Python causó la mayor caída de rendimiento, destacando la necesidad de la generación bilingüe para lógica compleja.
- Eliminar la planificación diversa redujo la precisión de Mayoría@8, confirmando que cubrir múltiples interpretaciones mejora la calidad del consenso.
- Eliminar el retroceso redujo el rendimiento, mostrando el valor de revisar planes de alto nivel en lugar de solo arreglar código.
Generalización: Cuando se integró como habilidades en un agente de codificación de propósito general (Claude Code), FlexSQL produjo una mejora relativa superior al 10% en Spider2-Snow.

Significado y Afirmaciones

El artículo afirma que la flexibilidad es un principio de diseño clave para los agentes de texto-a-SQL de próxima generación. Al permitir que los agentes exploren esquemas, inspeccionen datos y retrocedan de errores en cualquier etapa, FlexSQL supera las limitaciones de las tuberías fijas que no logran recuperarse de errores de razonamiento tempranos.

Los autores enfatizan que su enfoque:

Fundamenta las decisiones en datos reales: Ir más allá de los metadatos de esquema estáticos para inspeccionar valores reales resuelve ambigüedades que los metadatos por sí solos no pueden.
Aprovecha la computación en tiempo de inferencia: Al generar planes diversos y utilizar votación mayoritaria, el sistema utiliza eficazmente presupuestos de muestreo aumentados para mejorar la robustez.
Cierra la brecha entre lógica declarativa y procedimental: El enfoque bilingüe (SQL/Python) permite al agente elegir la herramienta más efectiva para la tarea de razonamiento específica, traduciendo la lógica procedimental compleja de vuelta a SQL para su ejecución.

El trabajo sugiere que para bases de datos analíticas a gran escala y complejas, la capacidad de explorar y revisar suposiciones de forma iterativa es más crítica que simplemente generar una consulta a partir de una instantánea de esquema pre-recuperada.