LLM이 생성한 SQL 쿼리에서 오류를 탐지하기 위한 실용적인 프레임워크를 제시합니다. 이는 쿼리의 추상 구문 트리(AST) 내 개별 노드 수준에서 불확실성을 추정하는 방식으로 이루어집니다. 이 프레임워크는 두 단계로 진행됩니다. 첫째, 생성된 SQL과 골드 레퍼런스를 바탕으로, 구조적 컨테이너나 별칭 변동에 대해 과도하게 벌점을 부여하지 않고 노드 수준의 정확성을 할당하는 의미론적 인식 라벨링 알고리즘을 도입합니다. 둘째, 각 노드를 식별자 유효성, 별칭 확인, 유형 호환성, 범위의 모호성, 오타 신호를 포착하는 풍부한 스키마 인식 및 어휘적 특징으로 표현하고, 노드별 오류 확률을 예측하기 위해 지도 학습 분류기를 훈련합니다. 이 확률을 보정된 불확실성으로 해석하여 쿼리가 잘못될 가능성이 있는 정확한 위치를 정확히 파악하는 세분화된 진단을 가능하게 합니다. 여러 데이터베이스 및 데이터 세트에서, 이 방법은 토큰 로그 확률보다 훨씬 뛰어난 성능을 보이며(평균 AUC +27.44% 향상), 데이터베이스 간 평가에서도 견고성을 유지합니다. 정확도 신호 역할 외에도, 노드 수준 불확실성은 대상 수정, 사람 중심 검토, 다운스트림 선택적 실행을 지원합니다. 이 결과들은 노드 중심적이고 의미론적으로 기반한 불확실성 추정을 집계 시퀀스 수준 신뢰도 측정에 대한 강력하고 해석 가능한 대안으로 확립합니다.
