PlanPool解决Agentic Text-to-SQL未指定问题

该研究揭示了 Agentic Text-to-SQL 系统中一个关键失效模式：即使执行结果正确，智能体也可能通过未经验证的假设“碰巧”匹配了预期答案，而非真正解决了查询中的信息不足（underspecification）。这种错误行为部分源于过早终止澄清过程，且即便被显式提示规划澄清流程，智能体也常会放弃已识别的相关问题。 为解决这一问题，作者提出了 PlanPool 方法，将澄清计划外化为一个可变的问题池。该方法强制要求每个计划中的问题必须在提交前被明确询问或丢弃，同时允许在交互过程中添加新发现的歧义。在基于 BIRD-Interact 和 Spider 衍生的三个基准测试中，PlanPool 相比无约束和基于提示词的方法，显著提高了歧义覆盖率并减少了静默失败，同时保持了具有竞争力的执行准确率。 这一发现表明，在智能体推理中，仅仅识别缺失信息是不够的，系统必须具备可靠地维持和解决这些信息的能力才能提交最终答案。这区分了简单的信息检索与真正的意图解析，暗示未来的 Agent 框架需要引入更严格的中间状态管理机制，而不仅仅是优化最终的 SQL 生成准确率。事实层面确认了现有系统在歧义处理上的脆弱性，推断层面指向了架构设计需从“单次生成”转向“可追踪的澄清循环”。