본 논문은 대규모 언어 모델(LLM)을 활용하여 데이터베이스에 대한 자연어 인터페이스를 구축하는 새로운 에이전트 프레임워크를 제안합니다. 기존의 복잡한 다단계 파이프라인 기반 시스템과 달리, 본 연구는 스키마 연결, 질의 생성, 반복적 개선을 단일 엔드투엔드 구성 요소 내에서 통합합니다. LLM의 내재적 추론 능력을 활용하여, 인간이 익숙하지 않은 데이터베이스를 다룰 때 질문에 답하는 방식(가설 설정, 동적 질의 실행 및 검증, 결과에 대한 추론, 관찰된 결과를 기반으로 한 출력 수정)을 모방합니다. 특히, 테스트 시간 계산을 확장하기 위한 새로운 전략으로, 대화형 데이터베이스 탐색 및 반영의 깊이를 확장하여 데이터를 더 잘 이해하기 위해 계산을 동적으로 할당하는 방식을 제시합니다. 실험 결과, BIRD 데이터셋에서 DeepSeek-R1-Distill-Llama-70B를 사용하여 실행 정확도(EX)를 44.8%에서 56.5%로 향상시켰으며, 답변 다양성을 추가하는 단계를 통해 8라운드의 후보 생성으로 81.8%의 최고 정확도(Best-of-N)를 달성, 최상위 기존 솔루션(82.79%)에 근접하는 성능을 엔지니어링 복잡성을 줄이면서 달성했습니다.
