Resumen: La complejidad del lenguaje de consulta estructurado (SQL) y la naturaleza especializada de las funciones geoespaciales en herramientas como PostGIS presentan barreras significativas para los no expertos que buscan analizar datos espaciales. Si bien los modelos de lenguaje grande (LLM) ofrecen promesas para traducir el lenguaje natural a SQL (texto a SQL), los enfoques de agente único a menudo luchan con las complejidades semánticas y sintácticas de las consultas espaciales. Para abordar esto, proponemos un marco de múltiples agentes diseñado para traducir con precisión preguntas en lenguaje natural en consultas SQL espaciales. El marco integra varios componentes innovadores, incluida una base de conocimientos con perfiles de esquemas programáticos y enriquecimiento semántico, incorporaciones para la recuperación de contexto y una canalización colaborativa de múltiples agentes como núcleo. Este canal comprende agentes especializados para la extracción de entidades, recuperación de metadatos, formulación de lógica de consulta, generación de SQL y un agente de revisión que realiza validación programática y semántica del SQL generado para garantizar la corrección (autoverificación). Evaluamos nuestro sistema utilizando tanto el punto de referencia no espacial KaggleDBQA como un punto de referencia nuevo e integral SpatialQueryQA que incluye diversos tipos de geometría, predicados y tres niveles de complejidad de consulta. En KaggleDBQA, el sistema logró una precisión general del 81,2 % (221 de 272 preguntas) después de la revisión y las correcciones del agente de revisión. Para las consultas espaciales, el sistema logró una precisión general del 87,7 % (79 de 90 preguntas), en comparación con el 76,7 % sin el agente de revisión. Más allá de la precisión, los resultados también muestran que en algunos casos el sistema genera consultas que están más alineadas semánticamente con la intención del usuario que las de los puntos de referencia. Este trabajo hace que el análisis espacial sea más accesible y proporciona una base sólida y generalizable para los sistemas espaciales de texto a SQL, lo que promueve el desarrollo de SIG autónomos.
Publicado originalmente en export.arxiv.org el 26 de octubre de 2025.
Ver fuente original
