Sind LLM-Agenten gut in der Join-Reihenfolge-Optimierung?
Von KI aus dem englischen Original übersetzt. Auf Englisch ansehen
LLM-Agenten können die Databricks Join-Reihenfolge-Optimierung verbessern und in 80 % der Fälle eine Latenzreduzierung um das 1,3-fache erreichen, indem sie Laufzeitstatistiken analysieren. Dieser Prototyp demonstriert das Potenzial von LLM-Agenten, als datengesteuerte DBAs zu fungieren und Herausforderungen bei der Kardinalitätsfehleinschätzung in komplexen SQL-Abfragen zu bewältigen.
* Was es ist: Wir untersuchen die Anwendung von modernen Large Language Model (LLM)-Agenten auf das klassische Datenbankproblem der SQL Join-Reihenfolge-Optimierung. * Die Herausforderung: Traditionelle Abfrageoptimierer haben oft Schwierigkeiten mit der Join-Reihenfolge, da die Anzahl der möglichen Pläne exponentiell mit der Anzahl der Tabellen wächst, was oft zu schlechter Leistung aufgrund falsch eingeschätzter Kardinalität führt. LLM-Agenten begegnen diesem Problem, indem sie wie ein datengesteuerter DBA agieren und tatsächliche Laufzeitstatistiken und semantischen Kontext analysieren, die automatisierte Heuristiken oft übersehen. * Ergebnisse & Outcomes: In experimentellen Benchmarks verbesserte der Prototyp-Agent den Databricks-Optimierer in 80 % der Fälle und verbesserte die Abfragelatenz insgesamt um den Faktor 1,3x.