LLM-Enhanced Data Management

机器学习（ML）技术在优化数据管理问题方面已经得到广泛研究并在最近五年得到广泛应用。然而，传统的ML方法在泛化能力（适应不同场景）和推理能力（理解上下文）方面存在局限性。幸运的是，大型语言模型（LLMs）已经展现出高泛化能力和理解上下文的人类竞争能力，这对于数据管理任务（例如数据库诊断、数据库调整）是有前途的。然而，现有的LLMs存在几个限制：幻觉、高成本和复杂任务的低准确性。为了解决这些挑战，我们设计了LLMDB，这是一种LLM增强的数据管理范例，具有泛化能力和高推理能力，同时避免了幻觉，降低了LLM的成本，并实现了高准确性。LLMDB通过LLM微调和提示工程将领域特定知识嵌入其中，以避免LLM的幻觉。LLMDB通过提供语义搜索和缓存能力的向量数据库来降低LLM的高成本。LLMDB通过提供多轮推理和管道执行的LLM代理来提高任务的准确性。我们展示了LLMDB可以很好地支持的三个真实世界场景，包括查询重写、数据库诊断和数据分析。我们还总结了LLMDB的开放研究挑战。

如何利用大型语言模型优化数据管理问题，同时避免现有模型的局限性？

设计 LLMDB，一种利用领域特定知识、向量数据库和多轮推理等技术增强大型语言模型在数据管理任务中的表现的范式。

LLMDB 在查询重写、数据库诊断和数据分析等任务中表现出色。通过向量数据库和多轮推理等技术，降低了大型语言模型的成本，提高了任务的准确性。同时，该论文也提出了 LLMDB 的开放性研究挑战。

近年来，大型语言模型在自然语言处理领域取得了显著进展。另外，也有一些研究探索了利用大型语言模型优化数据管理问题，如 GPT-2-SQL 和 SQL-Net。