งานวิจัยนี้นำเสนอ AgentNLQ ซึ่งเป็นวิธีการใหม่ในรูปแบบ multi-Agent เพื่อแก้ปัญหาการแปลงภาษาธรรมชาติเป็น SQL (NL2SQL) ที่ยังคงเป็นความท้าทายในวงการฐานข้อมูลเชิงสัมพันธ์ แม้ว่าโมเดลภาษาขนาดใหญ่ (LLM) จะก้าวหน้าไปมาก แต่ความแม่นยำในการเขียน SQL ยังไม่สามารถเทียบเท่าผู้เชี่ยวชาญที่เป็นมนุษย์ได้ ระบบ AgentNLQ จึงถูกออกแบบมาเพื่อปิดช่องว่างนี้ด้วยการใช้โครงสร้างการทำงานที่ซับซ้อนขึ้น
หัวใจสำคัญของ AgentNLQ คือการใช้ระบบ Orchestrator ที่ปรับแต่งมาเป็นอย่างดีเพื่อวางแผน ประสานงาน และตรวจสอบแก้ไขตัวเอง (self-correct) รวมถึงการใช้เทคนิคการเพิ่มข้อมูลบริบทของ Schema (Schema Enrichment) ที่ช่วยให้เอเจนต์เข้าใจโครงสร้างและกฎธุรกิจของฐานข้อมูลได้ดีขึ้น ผลการทดสอบแสดงให้เห็นว่าระบบนี้สามารถทำคะแนนความแม่นยำเชิงความหมายได้สูงถึง 78.1% บน BIRD benchmark ซึ่งเป็นมาตรฐานการทดสอบฐานข้อมูลขนาดใหญ่ที่มีความซับซ้อน
