À quel point les optimiseurs de requêtes sont-ils bons, vraiment ? Leis et al. ont posé cette question en 2015, puis à nouveau 10 ans plus tard. Malgré une décennie de recherche, ils ont constaté que les optimiseurs de requêtes laissent encore beaucoup à désirer. Une base de données Postgres devrait tout savoir sur ses tables, non ? Est-ce si difficile ? Il s'avère que c'est extrêmement difficile. L'ordonnancement des jointures, une tâche clé, est NP-difficile. Mais vérifier la qualité d'un plan de requête est plus facile : les bons optimiseurs produisent des plans rapides, les mauvais des plans lents.

Les modèles de langage excellent dans les tâches dont les sorties sont facilement vérifiables. Avec un seul axe—le temps d'exécution—le problème se réduit à renforcer les comportements qui produisent des plans de requête plus rapides. J'ai mené une expérience : un petit modèle à poids ouverts peut-il être post-entraîné via un affinage supervisé (SFT) et un apprentissage par renforcement agentique (RL) pour produire des plans de requête Postgres qui battent les plans par défaut de Postgres ?

La réponse est un oui retentissant. Points forts : Atteindre une réduction de latence de 44,7 % sur 113 requêtes à jointures lourdes avec un modèle 4B initialement incapable de produire un plan de requête pour 99 d'entre elles. Construire un banc de mesure Postgres qui minimise le bruit de contention du cache de pages Linux. Concevoir une variante GRPO personnalisée pour évaluer les rollouts RL dans un environnement bruité. Répartir le RL sur deux machines : vLLM et l'entraîneur sur un nœud 2x H100 loué et quatre conteneurs Postgres sur mon bureau. Exécuter une distillation hors politique sur un demi-millier de trajectoires de l'agent GPT-6 Astra.

Commençons par le début. À l'intérieur d'un optimiseur de requêtes, considérons le jeu de données IMDb. Une requête demande : « Quelles entreprises japonaises ont produit le plus de titres dans les années 2000 ? » Le chemin de Postgres dépend de prédicats sélectifs. Sans filtres, l'ordonnancement des jointures devient critique.

Entités clés : Entreprises : Postgres, Hacker News | Personnes : Leis | Lieux : Japan

FAQ : Un petit modèle de langage peut-il surpasser l'optimiseur de requêtes par défaut de Postgres ?

Oui, un modèle 4B post-entraîné avec SFT et RL a obtenu une réduction de latence de 44,7 % sur 113 requêtes à jointures lourdes, battant les plans par défaut de Postgres.