Оптимизация запросов на основе хинтов с помощью LLM-агента и схожести планов

Оптимизаторы SQL на основе стоимостей остаются хрупкими при работе с реальными данными и разнообразием движков; небольшие ошибки в оценках кардинальности или стоимости могут каскадно приводить к плохим планам. Мы предлагаем концептуальную архитектуру оптимизации запросов на основе хинтов и подробно описываем два модуля: быстрый модуль, который кодирует физические планы в виде текста, получает эмбеддинги с помощью предобученной языковой модели, находит ближайших соседей и формирует компактный бинарный вектор хинтов с проверкой безопасности относительно плана по умолчанию; и модуль под управлением агента на основе дообученной большой языковой модели, который уточняет хинты посредством итеративного поиска с обратной связью от базы данных в рамках строгого бюджета вычислений. Мы описываем интерфейсы, потоки данных и политики принятия решений для обоих модулей и намечаем интеграцию через стандартные механизмы хинтов без изменений движка. Предварительные результаты на уровне модулей на JOB CEB показывают примерно двадцатипроцентное сокращение среднего времени выполнения для быстрого модуля и меньше пробных запусков, чем у жадного базового метода, для модуля под управлением агента. Статья сосредоточена на архитектуре и поведении модулей, а не на едином сквозном развёртывании, поэтому общесистемное тестирование намеренно вынесено за рамки.