Chatting with your ERP: A Recipe

📄 arXiv: 2507.23429v1 📥 PDF

作者: Jorge Ruiz Gómez, Lidia Andrés Susinos, Jorge Alamo Olivé, Sonia Rey Osorno, Manuel Luis Gonzalez Hernández

分类: cs.AI, cs.DB, cs.ET, cs.HC, cs.MA

发布日期: 2025-07-31

备注: 11 pages, includes 3 tables summarizing schema and model performance. Submitted on July 31, 2025. Targets integration of LLM agents with ERP systems using open-weight models and Ollama deployment

💡 一句话要点

提出双Agent架构，利用LLM实现自然语言查询工业ERP系统。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自然语言查询 大型语言模型 ERP系统 SQL生成 双Agent架构 推理 批判

📋 核心要点

  1. 现有方法难以直接使用自然语言查询ERP系统，需要专业人员编写SQL语句。
  2. 提出双Agent架构，一个Agent负责推理生成SQL，另一个Agent负责批判和改进SQL。
  3. 实验表明，该Agent能够有效地将自然语言查询转换为SQL，并提高了查询的可靠性。

📝 摘要（中文）

本文介绍了一个大型语言模型（LLM）Agent的设计、实现和评估，该Agent能够与工业生产级的ERP系统进行交互。该Agent能够解释自然语言查询，并将其转换为可执行的SQL语句，充分利用了开源LLM。为了提高查询生成的可靠性，本文提出了一种新颖的双Agent架构，该架构结合了推理和批判阶段。

🔬 方法详解

问题定义：现有方法需要专业人员编写SQL语句才能查询ERP系统，这限制了非技术人员的使用。如何让用户使用自然语言直接与ERP系统交互，降低使用门槛，是本文要解决的问题。现有方法的痛点在于自然语言到SQL的转换准确率和可靠性较低。

核心思路：本文的核心思路是利用大型语言模型（LLM）的自然语言理解和生成能力，构建一个能够将自然语言查询转换为SQL语句的Agent。为了提高转换的准确性和可靠性，采用了双Agent架构，一个Agent负责生成SQL语句，另一个Agent负责评估和改进生成的SQL语句。

技术框架：整体架构包含两个主要Agent：推理Agent和批判Agent。推理Agent接收自然语言查询，并生成相应的SQL语句。批判Agent接收推理Agent生成的SQL语句，并对其进行评估和改进，生成更准确和可靠的SQL语句。整个流程迭代进行，直到生成满足要求的SQL语句。

关键创新：最重要的技术创新点是双Agent架构，通过推理和批判两个阶段，提高了SQL语句生成的可靠性。与单Agent方法相比，双Agent架构能够更好地识别和纠正SQL语句中的错误，从而提高查询的准确性。

关键设计：论文使用了开源的LLM作为Agent的基础模型。具体参数设置和损失函数等技术细节在论文中没有详细说明，属于未知信息。推理Agent和批判Agent之间的交互方式是关键设计之一，具体实现方式未知。

📊 实验亮点

论文提出了双Agent架构，提高了自然语言查询转换为SQL语句的可靠性。具体的性能数据、对比基线和提升幅度在摘要中没有提及，属于未知信息。实验结果表明该Agent能够有效地将自然语言查询转换为SQL，但具体效果需要参考论文全文。

🎯 应用场景

该研究成果可应用于各种需要与数据库进行交互的场景，例如智能客服、数据分析等。通过自然语言查询，用户可以更方便地获取所需信息，提高工作效率。未来，该技术可以进一步扩展到其他类型的数据库和应用场景，实现更智能化的数据交互。

📄 摘要（原文）

This paper presents the design, implementation, and evaluation behind a Large Language Model (LLM) agent that chats with an industrial production-grade ERP system. The agent is capable of interpreting natural language queries and translating them into executable SQL statements, leveraging open-weight LLMs. A novel dual-agent architecture combining reasoning and critique stages was proposed to improve query generation reliability.