Este artículo propone un marco de conversión de texto a SQL de extremo a extremo en tres etapas que, en primer lugar, identifica las bases de datos que coinciden con la intención de consulta del usuario en un entorno de bases de datos a gran escala. Mientras que los enfoques de conversión de texto a SQL existentes traducen directamente las consultas en lenguaje natural a comandos SQL basados en una base de datos específica, nuestro marco aprovecha LLM y la ingeniería de indicaciones para extraer un conjunto de reglas de las consultas en lenguaje natural. Con base en estas reglas, entrenamos un modelo de predicción db_id a gran escala, que incorpora un codificador optimizado basado en RoBERTa, para predecir el identificador de base de datos correcto (db_id). Finalmente, utilizamos un agente de crítica para corregir errores en el SQL generado. Los resultados experimentales demuestran que el marco propuesto supera a los modelos más avanzados en cuanto a predicción de la intención de consulta y precisión en la generación de SQL.
