Argumen untuk Penyetelan Agentic: Dari Dokumentasi ke Aksi di PostgreSQL

Penyetelan sistem komputer secara tradisional mengandalkan dokumentasi yang menyaring pengetahuan pakar menjadi rekomendasi per parameter. Namun, panduan semacam itu hanya menangkap kesimpulan yang dicapai pakar, dan membuang proses penalaran di baliknya. Kesenjangan mendasar ini menimbulkan tiga kekurangan konkret: dokumentasi menjadi usang seiring perangkat lunak berkembang, gagal menggeneralisasi lintas beban kerja yang heterogen, dan mengabaikan dependensi antar-parameter. Para penulis berargumen untuk pergeseran paradigma dari dokumentasi statis ke aksi dinamis. Mereka memperkenalkan PerfEvolve, sebuah sistem yang menerjemahkan metodologi penyetelan pakar menjadi keterampilan eksekutabel, membekali agen berbasis LLM untuk melakukan verifikasi konsistensi versi, pembuatan profil spesifik beban kerja, dan optimasi gabungan multi-parameter. Dievaluasi pada PostgreSQL di bawah benchmark TPC-C dan TPC-H, PerfEvolve mengungguli baseline penyetelan yang digerakkan dokumentasi mutakhir hingga 35,2%. Alat ini tersedia di https://github.com/ISCAS-OSLab/PerfEvolve.

PerfEvolve dievaluasi pada PostgreSQL menggunakan benchmark TPC-C dan TPC-H. Hasilnya menunjukkan bahwa PerfEvolve mengungguli baseline penyetelan yang digerakkan dokumentasi mutakhir hingga 35,2%. Peningkatan ini diatribusikan pada kemampuan agen untuk beradaptasi secara dinamis terhadap karakteristik beban kerja dan perilaku spesifik versi, serta mengoptimalkan parameter yang saling bergantung secara bersamaan. Evaluasi ini kemungkinan mencakup metrik seperti throughput, latensi, dan pemanfaatan sumber daya, meskipun angka spesifik di luar peningkatan 35,2% tidak disediakan dalam abstrak. Alat ini tersedia untuk umum demi reproduktibilitas.