[Larch] Learned Query Optimization for Semantic Predicates

• 类型：arxiv
• 标识：2606.07923
• 链接：https://arxiv.org/abs/2606.07923
• 主题：agent, database, engineering, evaluation, llm-infra, multimodal, rag
• 来源文件：
• /inbox/jay/2026-06-13-weekly-briefing.md

可复用信息

• • 传统基数估计器依赖通用统计，对已知 schema/workload 的场景误差大。
• • Bespoke-Card 用Agent 合成工作负载专用基数估计器（Planning Agent 设计策略 → Coding Agent 实现 → Validator 评分），引入结构化 q-error 反馈、回归分析、异常子计划隔离课程等技巧。
• • 在 JOB 数据集上将 PostgreSQL 总运行时间 降低 33%，q-error 中位数降低 41%，成本低于 $10/小时。
• • 工程启示：用 LLM 自动生成查询优化器专用估算器是 AI4DB 新方向，对数据库团队有直接参考价值。
• • 是否精读：⭐⭐⭐⭐ · 强推 — 涉及 AI + 数据库内核交叉点

---

• [Larch] Learned Query Optimization for Semantic Predicates
• • 作者：Fuheng Zhao et al.

写作用途

• 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
• 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
• 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
• 可用于系统实现、实验平台或工程约束说明。

待补齐

• BibTeX / 正式引用格式
• 方法与实验设置细节
• 与现有工作的差异点
• 是否有代码和数据集