¿Qué tan buenos son realmente los optimizadores de consultas? Leis et al. lo preguntaron en 2015, y de nuevo 10 años después. A pesar de una década de investigación, encontraron que los optimizadores de consultas siguen dejando mucho que desear. Una base de datos Postgres debería saber todo sobre sus tablas, ¿no? ¿Qué tan difícil puede ser? Resulta que: enormemente difícil. La ordenación de uniones, una tarea clave, es NP-hard. Pero verificar la calidad de un plan de consulta es más fácil: los buenos optimizadores producen planes rápidos, los malos producen planes lentos.

Los modelos de lenguaje sobresalen en tareas con resultados fácilmente verificables. Con un solo eje—el tiempo de ejecución—el problema se reduce a reforzar comportamientos que produzcan planes de consulta más rápidos. Realicé un experimento: ¿puede un modelo pequeño de pesos abiertos ser post-entrenado mediante ajuste fino supervisado (SFT) y aprendizaje por refuerzo agéntico (RL) para producir planes de consulta de Postgres que superen los planes predeterminados de Postgres?

La respuesta es un rotundo sí. Puntos destacados: Alcanzar una reducción de latencia del 44.7% en 113 consultas con muchas uniones con un modelo de 4B que inicialmente no podía producir un plan de consulta para 99 de ellas. Construir un sistema de medición de Postgres que minimiza el ruido por contención de la caché de páginas de Linux. Diseñar una variante personalizada de GRPO para puntuar rollouts de RL en un entorno ruidoso. Dividir el RL entre dos máquinas: vLLM y el entrenador en un nodo 2x H100 alquilado y cuatro contenedores Postgres en mi escritorio. Ejecutar destilación fuera de política a través de medio millar de trayectorias del agente GPT-6 Astra.

Empecemos desde el principio. Dentro de un optimizador de consultas, consideremos el conjunto de datos IMDb. Una consulta pregunta: "¿Qué compañías japonesas publicaron más títulos en la década de 2000?" La ruta de Postgres depende de predicados selectivos. Sin filtros, la ordenación de uniones se vuelve crítica.

Entidades clave: Compañías: Postgres, Hacker News | Personas: Leis | Ubicaciones: Japan