Сквозная генерация текста в SQL с выбором набора данных: использование LLM для адаптивной генерации запросов

Обнаружено: LLM теряет до 90% эффективности при попытке решить сложную многослойную задачу одним запросом — модель «тонет» в контексте и упускает критические детали. Метод Multi-Step Prompting позволяет разбивать одну сложную задачу на цепочку простых шагов, где каждый этап решает свою подзадачу: подготовка контекста → генерация решения → самопроверка. Вместо монолитного промпта создаётся управляемый конвейер, где модель сначала структурирует данные, затем выполняет основную работу, и в конце выступает агентом-критиком собственного ответа. В задачах Text-to-SQL это дало +23% точности по сравнению с прямой генерацией.