본 논문은 대형 언어 모델(LLM)이 자연어 질문으로부터 SQL 쿼리를 생성하는 과정에서 데이터베이스 관련 스키마와 암묵적인 도메인 지식에 어려움을 겪는 문제를 해결하기 위한 프레임워크를 제시한다. 이 프레임워크는 텍스트-to-SQL에서 인간 피드백으로부터 지속적으로 학습하는 방식을 채택하며, 학습 에이전트가 자연어 피드백을 받아 쿼리를 개선하고, 드러난 지식을 미래의 작업에 재사용할 수 있도록 한다. 특히, 이러한 증류된 지식은 구조화된 메모리에 저장되어 에이전트가 시간이 지남에 따라 실행 정확도를 향상시킬 수 있도록 한다. 다양한 학습 에이전트 아키텍처를 설계 및 평가하여 과거 경험을 포착하고 검색하는 방식을 비교했으며, BIRD 벤치마크 Dev set에 대한 실험 결과, 메모리 보강 에이전트, 특히 Procedural Agent가 인간-in-the-loop 피드백을 활용하여 상당한 정확도 향상과 오류 감소를 달성했음을 보여준다.
