LLMIA：通过 LLM 进行的零配置索引顾问
数据库
2026-03-20 v2 人工智能
摘要
索引推荐对于优化数据库性能至关重要。然而，现有基于启发式或学习的方法常依赖于低效的穷举搜索和估计成本，导致搜索空间大而实际延迟不理想。受经验 DBA 通过数据库反馈高效识别和迭代细化索引的策略启发，我们提出 LLMIA，这是一个通过大语言模型（LLM）进行的零配置、无需调优的索引顾问。LLMIA 通过高质量演示池和全面工作负载特征提取将数据库专业知识注入 LLM，同时迭代地纳入数据库反馈以引导索引细化。该设计使 LLMIA 能够模拟专家 DBA 的决策过程：仅通过与 DBMS 进行几次交互即可为各种工作负载高效推荐和细化索引。我们在五个标准 OLAP 基准（不同规模的 TPC-H、JOB、TPC-DS、SSB）上进行了广泛实验，结果显示 LLMIA 在一致优于或相当于 12 个基线的情况下，生产出更优的索引建议，所需的数据库交互次数最少。此外，LLMIA 在两个真实商业工作负载上 demonstrating 稳健的泛化能力，无需额外适应或重新训练即可提供高质量建议，凸显其零配置能力。
引用
@article{arxiv.2503.07884,
title = {LLMIA: An Out-of-the-Box Index Advisor via In-Context Learning with LLMs},
author = {Xinxin Zhao and Xinmei Huang and Haoyang Li and Jing Zhang and Shuai Wang and Tieying Zhang and Jianjun Chen and Rui Shi and Cuiping Li and Hong Chen},
journal= {arXiv preprint arXiv:2503.07884},
year = {2026}
}