在自然语言生成SQL的过程中，大型语言模型在真实的企业Oracle数据库中常常在执行时失败，主要原因是缺乏模式对接，导致生成的列和别名不准确，且方言特定的语法被忽视，最终引发ORA-00904无效标识符错误。
为了解决这一问题，本文提出了Schema-Aware Localisation (SAL)，这是一种轻量级中间件层，无需对模型进行再训练。SAL通过查询Oracle的USER_TAB_COLUMNS目录来构建实时模式映射，为每个问题选择相关的表子集（在多表查询时回退至完整模式），并将这一真实上下文注入到LLM的提示中。
生成的SQL随后通过Hallucination Index (Hidx)进行检查，该索引验证每个别名和列引用是否与实时目录一致，自动重写可预测的前缀错误，并在其他情况下触发结构化重试并提供逐项修正。
我们在500个TPC-H自然语言问题上评估了SAL，这些问题在一个实时的Oracle Autonomous Database 23c实例上执行，使用的是GPT-4o-mini。没有任何模式对接的情况下，执行基础真相（EGT）仅为2.2%（12/500）。手动编写的静态模式提示将EGT提升至62.0%。而SAL在没有手动模式管理的情况下，达到了62.6%的EGT（简单问题96%，中等问题95%，复杂问题40.7%），同时将执行失败率从97.6%降低至2.6%。
博主点评： Schema-Aware Localisation (SAL)通过结合实时模式映射和虚假数据验证，显著提高了自然语言到SQL的生成效率，尤其在复杂查询场景下表现优异。该技术的无缝集成与现有模型的兼容性，为数据库查询的智能化提供了新的思路，值得关注和深入研究。