Escalonando Text2SQL via Filtragem de Esquema Eficiente em LLM com Reclassificadores de Gráfico de Dependência Funcional

A maioria dos sistemas modernos de Text2SQL solicita modelos de linguagem grandes (LLMs) com esquemas inteiros -- principalmente informações de colunas -- ao lado da pergunta do usuário. Embora sejam eficazes em bancos de dados pequenos, essa abordagem falha em esquemas do mundo real que ultrapassam os limites de contexto dos LLMs, mesmo para modelos comerciais. O recente benchmark Spider 2.0 exemplifica isso com centenas de tabelas e dezenas de milhares de colunas, onde os sistemas existentes frequentemente quebram. As mitigações atuais dependem de caros pipelines de prompting em múltiplas etapas ou filtram colunas classificando-as em relação à pergunta do usuário de forma independente, ignorando a estrutura inter-colunas. Para escalar os sistemas existentes, introduzimos um framework de filtragem de esquema eficiente em LLM de código aberto que compacta os prompts de Text2SQL por (i) classificar colunas com um codificador LLM consciente da consulta enriquecido com valores e metadados, (ii) reclassificar colunas interconectadas através de um transformador gráfico leve sobre dependências funcionais, e (iii) selecionar um sub-esquema preservando a conectividade com uma heurística de árvore de Steiner. Experimentos em conjuntos de dados reais mostram que alcança uma recuperação quase perfeita e maior precisão do que CodeS, SchemaExP, reclassificadores Qwen e recuperadores de embeddings, enquanto mantém uma latência mediana sub-segundo e escala para esquemas com mais de 23.000 colunas. Nosso código fonte está disponível em https://github.com/thanhdath/grast-sql.