Cet article propose un framework texte-vers-SQL complet en trois étapes qui identifie d'abord les bases de données correspondant à l'intention de requête d'un utilisateur dans un environnement de bases de données à grande échelle. Alors que les approches texte-vers-SQL existantes traduisent directement les requêtes en langage naturel en commandes SQL basées sur une base de données spécifique, notre framework exploite le LLM et l'ingénierie des prompts pour extraire un ensemble de règles des requêtes en langage naturel. À partir de ces règles, nous formons un modèle de prédiction db_id à grande échelle, intégrant un encodeur RoBERTa optimisé, pour prédire l'identifiant correct de la base de données (db_id). Enfin, nous utilisons un agent critique pour corriger les erreurs dans le SQL généré. Les résultats expérimentaux démontrent que le framework proposé surpasse les modèles de pointe en termes de prédiction de l'intention de la base de données et de précision de la génération SQL.
