1. 问题与动机
传统 Text-to-SQL 研究假设完整数据库 schema 已预加载到模型上下文中（Full Schema Assumption），但在真实企业环境中，数据库包含数百张表、元数据噪声大且持续演化，这一假设完全失效。现有方法要么将完整 schema 注入 prompt（导致上下文溢出和噪声干扰），要么使用无训练的工具增强方法（缺乏严格验证机制）。
论文指出一个关键问题：当 agent 需要主动探索数据库以发现相关 schema 子集时（Unknown Schema 场景），标准 RL 方法面临信用分配困难——探索阶段的 schema 发现奖励与生成阶段的 SQL 执行奖励被混合优化，导致训练不稳定。先导实验显示，无 Propose 阶段约束时，模型 schema 幻觉率高达 26.4%，而引入认知检查点后降至 2.8%。
2. 方法详解
POMDP 建模：将 Unknown Schema 下的 Text-to-SQL 建模为部分可观测马尔可夫决策过程，数据库的完整结构作为隐状态，agent 通过工具执行获得部分观测。
EPGC 四阶段交互协议：
- Explore（探索）：agent 调用数据库元数据查询工具，逐步发现表、列、外键等结构信息
- Propose（提议）：强制认知检查点，agent 必须明确提交其认为相关的 schema 子集，防止幻觉
- Generate（生成）：基于已验证的元数据生成候选 SQL
- Confirm（确认）：提交最终答案
Dual-Track GRPO 算法（核心创新）：
扩展 Group Relative Policy Optimization，通过 token 级 masked advantages 将优化分为两条轨道：
- Schema Track：从 Explore 到 Propose 阶段，仅使用 schema 奖励优化——衡量提议的 schema 与 ground truth 的匹配度
- Full Track：完整轨迹，使用 SQL 执行奖励优化——衡量最终 SQL 的正确性
关键机制是 token-level masking：Schema Track 中仅对 Explore-Propose 阶段的 token 计算梯度，Full Track 中仅对 Generate-Confirm 阶段的 token 计算梯度。两条轨道通过权重 λ 平衡（最优 λ=0.25）。
奖励设计：三个互补信号：
- 执行奖励：正确结果 1.0，可执行但错误 0.2，失败 0.0
- 格式奖励：协议遵循度 0.1
- Schema 奖励：二元匹配 + 执行条件耦合（仅在执行正确时给予 schema 奖励，避免冲突梯度）
训练流程：两阶段——9.2k 高质量轨迹上的冷启动 SFT + 11.6k 样本上的 Dual-Track GRPO RL。使用 Qwen3-4B/8B 基座模型，8-16 张 A100 GPU。
3. 核心技术贡献
贡献一：EPGC 结构化协议。Propose 阶段作为认知检查点，强制模型在生成 SQL 前显式提交 schema 假设。这不仅将幻觉率从 26.4% 降至 2.8%，还为 RL 优化提供了天然的结构化边界，使得探索和生成可以分别优化。
贡献二：Dual-Track GRPO。通过 token-level masked advantages 解决多阶段 agent 任务中的信用分配问题。相比标准 GRPO，Dual-Track GRPO 提升 9.9% 相对执行准确率。相比朴素聚合方案，最优 λ 配置提升 5.8%。
贡献三：Schema 奖励的稀疏耦合设计。实验对比了密集 vs 稀疏、独立 vs 耦合四种 schema 奖励方案，发现稀疏+耦合组合最优（64.5%），因为密集奖励引入冲突梯度，独立奖励导致探索-利用不一致。
贡献四：训练 vs 推理 turn 预算解耦。发现最优配置为 10-turn 训练 + 15-turn 推理，即推理时允许更多探索轮次可持续提升准确率。
4. 实验结果分析
主要性能（BIRD-Dev 基准）：
| 模型 | Greedy | Majority Vote |
|---|---|---|
| TRUST-SQL-4B | 64.9% | 67.2% |
| TRUST-SQL-8B | 65.8% | 67.7% |
在不预加载任何 schema 的条件下，性能匹配甚至超过使用完整 schema 的基线方法。
鲁棒性评估（Spider 变体）：
- Spider-DK（领域知识）：72.1%（8B）
- Spider-Syn（同义词鲁棒）：75.4%（8B）
- Spider-Realistic：82.1%（8B）
关键发现：对训练后的模型，添加完整 schema 预填充几乎不带来性能提升，甚至在 Spider-DK 上反而下降 2.4%。这表明交互式策略已经精确检索到所需元数据，额外的 schema 注入反而引入噪声。
消融实验：
- λ 权重：最优 0.25，+5.8% vs 朴素聚合，+3.6% vs 纯执行奖励
- Schema 奖励类型：稀疏+耦合 > 密集+耦合 > 稀疏+独立 > 密集+独立
- Pass@K 扩展：重复采样单调提升准确率
5. 局限与未来方向
作者明确提出的局限：
- 推理开销：多轮交互需要实时数据库调用，尽管相比无训练方法延迟降低 500 倍，但仍有部署成本
- SQL 方言限制：仅在 SQLite 上评估，未验证对 MySQL/PostgreSQL 等的泛化性
- 固定 turn 预算：训练时预设最大交互轮次，可能限制极复杂 schema 的探索能力
未提及但值得注意的限制：
- 依赖 ground truth schema 标注来计算 schema 奖励，大规模部署时可能需要替代方案
- 未探索与检索增强（如 embedding-based schema 检索）的结合
6. 工业实践意义
直接可借鉴的设计：
- EPGC 四阶段协议模式可推广到任何需要工具交互的 agent 任务——Propose 阶段作为认知检查点是防幻觉的简单有效手段
- Dual-Track GRPO 的 token-level masking 思路适用于所有多阶段 agent RL 训练，特别是搜索 agent 中探索（query 改写/扩展）与利用（结果排序/生成）需要分别优化的场景
部署考量：
- 延迟：0.5-0.6 秒/query，2-3K output tokens，适合非实时场景
- 硬件：4B 模型可在单 GPU 推理，适合中等规模部署
- 训练成本：SFT 6.5-12 小时 + RL 40-60 小时（8-16 A100），一次性投入可接受
对搜索系统的启示：
schema 预填充反而降低鲁棒性的发现，对搜索场景有直接映射——将所有候选信息一次性注入 prompt 可能不如让 agent 主动探索和验证。这为搜索 agent 的「主动检索」范式提供了实验支撑。