我们专注于跨域上下文依赖的文本到SQL生成任务。基于相邻自然语言问题通常在语言上存在依赖关系，且其对应的SQL查询往往具有重叠性的观察结果，我们通过编辑前一个预测查询来利用交互历史，以提高生成质量。我们的编辑机制将SQL视为序列，并以简单的方式在标记级别重用生成结果。该机制灵活地修改单个标记，并且对错误传播具有较强的鲁棒性。此外，为了处理不同领域中的复杂表结构，我们采用了一个话语-表编码器和一个表感知解码器，以结合用户话语的上下文和表模式。我们在SParC数据集上评估了我们的方法，并展示了与从零开始生成SQL的最先进基线相比，编辑机制的优势。我们的代码已发布在https://github.com/ryanzhumich/sparc_atis_pytorch。