Насколько хороши оптимизаторы запросов на самом деле? Leis et al. задали этот вопрос в 2015 году, а затем снова 10 лет спустя. Несмотря на десятилетие исследований, они обнаружили, что оптимизаторы запросов по-прежнему оставляют желать лучшего. База данных Postgres должна знать всё о своих таблицах, не так ли? Насколько это может быть сложно? Как оказалось: чрезвычайно сложно. Упорядочивание соединений, ключевая задача, является NP-сложной. Но проверить качество плана запроса проще: хорошие оптимизаторы создают быстрые планы, плохие — медленные.

Языковые модели преуспевают в задачах с легко проверяемыми результатами. С одной осью — временем выполнения — проблема сводится к усилению поведения, приводящего к более быстрым планам запросов. Я провёл эксперимент: может ли небольшая модель с открытыми весами быть дообучена с помощью supervised fine-tuning (SFT) и агентного обучения с подкреплением (RL) для создания планов запросов Postgres, которые превосходят стандартные планы Postgres?

Ответ — решительное да. Основные моменты: Достижение снижения задержки на 44,7% на 113 запросах с большим количеством соединений с помощью модели 4B, которая изначально не могла создать план запроса для 99 из них. Создание измерительного стенда Postgres, минимизирующего шум от конкуренции за кэш страниц Linux. Разработка пользовательского варианта GRPO для оценки RL-прогонов в шумной среде. Разделение RL между двумя машинами: vLLM и тренер на арендованном узле 2x H100 и четыре контейнера Postgres на моём столе. Запуск off-policy дистилляции на полутысяче траекторий агента GPT-6 Astra.

Начнём с самого начала. Внутри оптимизатора запросов рассмотрим набор данных IMDb. Запрос спрашивает: «Какие японские компании выпустили больше всего наименований в 2000-х?» Путь Postgres зависит от селективных предикатов. Без фильтров упорядочивание соединений становится критически важным.

Ключевые сущности: Компании: Postgres, Hacker News | Люди: Leis | Места: Japan