[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
主分类：database
形态：method
被引：1
被引来源：Semantic Scholar
S2被引：1
OpenAlex被引：0
影响力被引：0
TLDR：This paper introduces Larch, a framework for optimizing the execution of semantic filters in AI SQL queries and presents two Larch variants: Larch-A2C and Larch-Sel, which always outperform existing semantic filter optimization techniques in terms of token usage.
OpenAlex ID：W7164047557
OpenAlex DOI：10.48550/arxiv.2606.07923
DOI：10.48550/arxiv.2606.07923
DOI来源：OpenAlex
开放获取：green
开放获取链接：https://doi.org/10.48550/arxiv.2606.07923
OpenAlex更新：2026-07-19
标题中文：[Larch] 面向语义谓词的习得式查询优化
TLDR中文：本文提出Larch，一个用于优化AI SQL查询中语义过滤器执行的框架，并给出其两种变体：Larch-A2C与Larch-Sel，二者在token使用量上均始终优于现有语义过滤器优化技术。
待LLM分类：否
来源文件：
/inbox/jay/2026-06-13-weekly-briefing.md
[S2 enrich]
[OpenAlex backfill]

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