최근 긴 체인 오브 스로프 (Long Chain-of-Thought) 로 훈련된 대규모 추론 모델 (LRM, Large Reasoning Models) 의 발전은 코드 생성 및 수학 추론 분야에서 놀라운 능력을 입증했습니다. 그러나 이러한 모델의 다중 턴 텍스트-SQL 작업에서의 잠재력은 여전히 충분히 탐구되지 않았습니다. 기존 접근법은 불안정한 API 기반 추론에 의존하거나 소규모 모델에 대한 비싼 미세 조정 (fine-tuning) 을 요구합니다. 본 연구에서는 컨텍스트 학습을 통해 소규모 LRM 을 활용하여 정확한 컨텍스트 의존적 파싱을 가능하게 하는 Rose-SQL 이라는 훈련 없는 (training-free) 프레임워크를 제시합니다. 우리는 스키마 링크링과 SQL 생성 사이의 구조적 간극을 연결하는 구조적 청사진으로 작용하는 Role-State 라는 세밀한 표현을 소개합니다. 대화식 의존성을 처리하기 위해, Rose-SQL 은 구조적 동형성 검사를 통해 역사적 컨텍스트를 통해 Role-State 의 진화를 추적하여 모델이 검증된 상호작용 경로를 통해 현재 질문에 대한 가능한 SQL 조성을 추론하도록 안내합니다. SParC 와 CoSQL 벤치마크의 실험 결과는 Qwen3 시리즈 내에서 Rose-SQL 이 4B 규모에서 컨텍스트 학습 기반과 비교하여 우위를 보이며, 8B 및 14B 규모에서는 최첨단 미세 조정 모델보다 현저히 우수함을 보여주며, 추가적인 추론 백본에서도 일관된 성능 향상을 보여줍니다.