Seberapa bagus sebenarnya pengoptimal kueri? Leis et al. menanyakan ini pada 2015, lalu lagi 10 tahun kemudian. Meskipun telah satu dekade penelitian, mereka menemukan bahwa pengoptimal kueri masih jauh dari memuaskan. Basis data Postgres seharusnya tahu segalanya tentang tabelnya, bukan? Seberapa sulit itu? Ternyata: sangat sulit. Pengurutan join, tugas kunci, adalah NP-hard. Tetapi memverifikasi kualitas rencana kueri lebih mudah: pengoptimal yang baik menghasilkan rencana cepat, yang buruk menghasilkan rencana lambat.

Model bahasa unggul dalam tugas dengan output yang mudah diverifikasi. Dengan satu sumbu—waktu eksekusi—masalahnya direduksi menjadi memperkuat perilaku yang menghasilkan rencana kueri lebih cepat. Saya menjalankan eksperimen: dapatkah model kecil berbobot terbuka dilatih ulang melalui supervised fine-tuning (SFT) dan agentic reinforcement learning (RL) untuk menghasilkan rencana kueri Postgres yang mengalahkan rencana default Postgres?

Jawabannya adalah ya yang tegas. Sorotan: Mencapai pengurangan latensi 44,7% di 113 kueri berat join dari model 4B yang awalnya tidak mampu menghasilkan rencana kueri untuk 99 di antaranya. Membangun rig pengukuran Postgres yang meminimalkan noise kontensi page cache Linux. Merancang varian GRPO khusus untuk menilai rollout RL di lingkungan yang bising. Memisahkan RL di dua mesin: vLLM dan pelatih pada node 2x H100 sewaan dan empat kontainer Postgres di meja saya. Menjalankan distilasi off-policy di setengah ribu lintasan agen GPT-6 Astra.

Mari mulai dari awal. Di dalam pengoptimal kueri, pertimbangkan dataset IMDb. Sebuah kueri bertanya: "Perusahaan Jepang mana yang merilis paling banyak judul pada tahun 2000-an?" Jalur Postgres bergantung pada predikat selektif. Tanpa filter, pengurutan join menjadi kritis.

Entitas Kunci: Perusahaan: Postgres, Hacker News | Orang: Leis | Lokasi: Japan