Quão bons são os otimizadores de consulta, realmente? Leis et al. perguntaram isso em 2015, e novamente 10 anos depois. Apesar de uma década de pesquisa, eles descobriram que os otimizadores de consulta continuam deixando muito a desejar. Um banco de dados Postgres deveria saber tudo sobre suas tabelas, não? Quão difícil pode ser? Como se vê: extremamente difícil. A ordenação de junções, uma tarefa chave, é NP-difícil. Mas verificar a qualidade de um plano de consulta é mais fácil: bons otimizadores produzem planos rápidos, ruins produzem planos lentos.

Modelos de linguagem se destacam em tarefas com saídas facilmente verificáveis. Com um único eixo—tempo de execução—o problema se reduz a reforçar comportamentos que produzem planos de consulta mais rápidos. Realizei um experimento: um modelo pequeno de pesos abertos pode ser pós-treinado via ajuste fino supervisionado (SFT) e aprendizado por reforço agêntico (RL) para produzir planos de consulta Postgres que superem os planos padrão do Postgres?

A resposta é um retumbante sim. Destaques: Alcançar uma redução de latência de 44,7% em 113 consultas com muitas junções com um modelo 4B inicialmente incapaz de produzir um plano de consulta para 99 delas. Construir um aparato de medição Postgres que minimiza o ruído de contenção do cache de páginas do Linux. Projetar uma variante personalizada de GRPO para pontuar rollouts de RL em um ambiente ruidoso. Dividir o RL entre duas máquinas: vLLM e o treinador em um nó 2x H100 alugado e quatro contêineres Postgres na minha mesa. Executar destilação fora de política em meio milhar de trajetórias do agente GPT-6 Astra.

Vamos começar do início. Dentro de um otimizador de consulta, considere o conjunto de dados IMDb. Uma consulta pergunta: "Quais empresas japonesas lançaram mais títulos nos anos 2000?" O caminho do Postgres depende de predicados seletivos. Sem filtros, a ordenação de junções se torna crítica.

Entidades-chave: Empresas: Postgres, Hacker News | Pessoas: Leis | Locais: Japan