Semantic Relational Types of SQL Queries and Applications to AI Agent Tool Selection
Notice bibliographique
Résumé
We introduce Semantic Relational Types (SRT), an extension to the relational type system that enriches traditional SQL data types with semantic annotations. SRT provides LLMfriendly type annotations for relational queries expressed in SQL, enabling effective integration between database systems and large language models. Our primary contribution is an algorithm for automatic SRT generation through type inference of arbitrary SQL queries. The algorithm performs recursive decomposition of SQL statements into nested subqueries and clauses, utilizing LLMs with structured prompt engineering to generate semantic descriptions. We also introduce semantic type checking, which leverages semantic similarity measures to verify pairwise compatibility between SRTs, extending beyond traditional structural compatibility. We focus on applying SRT to LLM tool-calling scenarios where tools must be selected based on natural language queries (NLQ). In our framework, tools are implemented as parameterized SQL queries, and their SRTs in JSON schema format serve as tool descriptions provided to the LLM. This enables the LLM to perform semantic type checking and select the most compatible tool for any given NLQ. Our experimental evaluation demonstrates that SRT-based tool descriptions significantly improve tool selection accuracy compared to raw SQL queries. Tool-set refinement using semantic type checking between NLQs and tool SRTs yields superior results compared to inferred SRTs alone. The approach is validated using TPC-DS with 99 tools and multiple NLQ styles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».