Desafios de Text-to-SQL em Domínio Especializado: um Estudo no Contexto de Gestão de Estoque Farmacêutico

• Thiago Braga Universidade Federal de São Jõao del-Rei (UFSJ)
• Antônio Pereira Universidade Federal de São Jõao del-Rei (UFSJ)
• Mateus Brito Universidade Federal de São Jõao del-Rei (UFSJ)
• Fabíola Simões Hospital Metropolitano Doutor Célio de Castro
• Raphael Aguiar Universidade Federal de Minas Gerais (UFMG)
• Juliana Ribeiro Hospital Metropolitano Doutor Célio de Castro
• Leonardo Rocha Universidade Federal de São Jõao del-Rei (UFSJ)

DOI: https://doi.org/10.5753/sbbd.2026.249340

Resumo

Avanços em grandes modelos de linguagem (LLMs) ampliaram o uso de interfaces de linguagem natural para bancos relacionais, mas aplicações de Text-to-SQL em domínios especializados seguem desafiadoras devido a esquemas ambíguos, regras de negócio e conhecimento operacional implícito. Apresentamos uma abordagem para gestão de estoque farmacêutico hospitalar que combina LLM local, RAG sobre o esquema e engenharia iterativa de prompts. Em 20 perguntas representativas, a solução gerou 90% das consultas exequíveis, com 12 totalmente alinhadas ao ground truth. Os achados reforçam que o desempenho depende tanto do modelo quanto da curadoria do esquema e do conhecimento de domínio.

Palavras-chave: Text-to-SQL, Grandes Modelos de Linguagem, Processamento de Linguagem Natural, Gestão de Estoque Farmacêutico Hospitalar, Retrieval-Augmented Generation (RAG), Engenharia de Prompts, Domínio Especializado

Referências

Amazon Web Services (2024). Build a robust text-to-sql solution generating complex queries, self-correcting, and querying diverse data sources. AWS Machine Learning Blog. Acesso em: 20 jun. 2026.

Databricks (2024). Improving text2sql performance with ease on databricks. Databricks Blog. Acesso em: 20 jun. 2026.

de Almeida, E. C., Pena, E. H. M., and da Silva, A. S. (2024). This future without sql. In Proceedings of the 39th Brazilian Symposium on Databases (SBBD), Florianópolis, SC, Brazil. SBC.

Fróes, K. d. C. and Braghetto, K. R. (2025). Exploring temporal text-to-sql challenges in brazilian portuguese: Lessons from educational data. In Anais do 40º Simpósio Brasileiro de Banco de Dados (SBBD), pages 963–969, Fortaleza, CE. SBC.

Leal, J. and Melegati, J. (2025). Enhancing text-to-sql with in-context learning: A multi-agent approach based on chess. In Anais do 40º Simpósio Brasileiro de Banco de Dados (SBBD), Fortaleza, CE. SBC.

Lee, G., Kweon, S., Bae, S., and Choi, E. (2024). Overview of the ehrsql 2024 shared task on reliable text-to-sql modeling on electronic health records. In Proceedings of the 6th Clinical Natural Language Processing Workshop, pages 644–654, Mexico City, Mexico. Association for Computational Linguistics.

Lei, W., Wang, W., Ma, Z., Gan, T., Lu, W., Kan, M.-Y., and Chua, T.-S. (2020). Re-examining the role of schema linking in text-to-sql. In Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 6943–6954.

Luo, Y., Li, G., Fan, J., Chai, C., and Tang, N. (2025). Natural language to sql: State of the art and open problems. Proceedings of the VLDB Endowment, 18(12):5466–5471.

Nascimento, E. R. S. and Casanova, M. A. (2024). Querying databases with natural language: The use of large language models for text-to-sql tasks. Master’s thesis, Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio). Dissertação de Mestrado.

Pedroso, B. C., Pereira, M. R., and Pereira, D. A. (2025). Performance evaluation of llms in the text-to-sql task in portuguese. In Anais do XXI Simpósio Brasileiro de Sistemas de Informação (SBSI), Recife, PE, Brazil.

Petrola, L., Brayner, A., and Franco, W. (2025). Heuristic-guided text-to-sql translation with llms: Optimizing natural language interfaces for relational databases. In Anais do 40º Simpósio Brasileiro de Banco de Dados (SBBD), pages 126–139, Fortaleza, CE.

Pourreza, M. and Rafiei, D. (2023). Din-sql: Decomposed in-context learning of text-to-sql with self-correction. In Advances in Neural Information Processing Systems (NeurIPS), volume 36.

Rajkumar, N., Li, R., and Bahdanau, D. (2022). Evaluating the text-to-sql capabilities of large language models. In Proceedings of the Workshop on Natural Language Processing for Programming (NLP4Prog).