SpecDB: LLM-Generated Customized Databases via Feature-Oriented Decomposition

📄 arXiv: 2605.31097v1 📥 PDF

作者: Yunkai Lou, Longbin Lai, Shunyang Li, Zhengping Qian, Ying Zhang

分类: cs.DB, cs.AI

发布日期: 2026-05-29

💡 一句话要点

SpecDB：利用LLM和面向特征分解生成定制化数据库

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: LLM 数据库生成 定制化数据库 面向特征分解 DBGraph

📋 核心要点

  1. 现有关系型数据库提供统一特性集，但实际应用仅需部分功能，造成资源浪费和性能瓶颈。
  2. SpecDB利用LLM，根据工作负载需求自动生成定制化数据库，实现按需构建，提升资源利用率。
  3. 实验表明，SpecDB生成的数据库在TPC-C测试中性能与PostgreSQL和MySQL相当，代码量显著减少。

📝 摘要（中文）

主流关系型数据库在所有部署中都提供统一的特性集，但实际工作负载仅使用可用子系统的一小部分。本文研究了是否可以根据目标工作负载的需求，按需生成具有匹配特性集的数据库。我们提出了SpecDB，一个使用大型语言模型（LLM）合成定制关系型数据库的系统。我们调研了9个生产系统，并将它们分解为10个功能模块，每个模块又进一步划分为不同的实现变体。为了捕获跨模块依赖关系，包括不相交子树中的实现必须协同设计的情况，我们采用了FODA特征模型，并使用协作边对其进行扩展，从而产生依赖关系图DBGraph。SpecDB通过分层模块构建流水线来运行DBGraph，其中每个模块都由一个专门的子代理（由三个内部代理驱动：Main、Tester、Architect）生成、验证和集成，以及一个Refining Agent，它根据用户提供的细化工具包迭代地修复和调整组装好的数据库，并具有对现有数据库源代码的只读访问权限。一个配套的选择组件将自然语言工作负载描述转换为一组实现变体，从而提供从工作负载描述到可部署数据库的端到端流水线。我们在TPC-C上使用BenchmarkSQL评估了SpecDB。生成的数据库（23,779行Rust代码）在1个和10个仓库的情况下，以零错误完成了60分钟的TPC-C。在10个仓库的情况下，它达到了tpmC=130，而PostgreSQL为128，MySQL为127，并且具有可比的延迟，代码大小约为它们的3%。由于代理在模块规范级别而不是产品源代码级别运行，因此原则上它可以跨系统边界组合技术。随着LLM成本的下降，为目标工作负载生成专用数据库正变得越来越简单。

🔬 方法详解

问题定义：现有关系型数据库系统通常提供一套通用的功能集，但实际应用中往往只需要其中的一部分功能。这导致了资源浪费、性能下降以及不必要的复杂性。因此，需要一种能够根据特定工作负载的需求，定制化生成数据库系统的方法。

核心思路：SpecDB的核心思路是利用大型语言模型（LLM）的强大代码生成能力，结合面向特征的分解方法，将数据库系统分解为多个可配置的模块，并根据用户提供的自然语言工作负载描述，自动选择合适的模块实现，最终生成一个定制化的数据库系统。

技术框架：SpecDB的整体架构包含以下几个主要模块：1) 数据库分解：将现有数据库系统分解为多个功能模块，并为每个模块定义不同的实现变体。2) 依赖关系建模：使用DBGraph（基于FODA特征模型扩展的依赖关系图）来捕获模块之间的依赖关系。3) 模块构建流水线：通过分层模块构建流水线，利用子代理（Main、Tester、Architect）生成、验证和集成各个模块。4) 细化代理：使用Refining Agent迭代地修复和调整组装好的数据库。5) 选择组件：将自然语言工作负载描述转换为一组实现变体。

关键创新：SpecDB的关键创新在于利用LLM自动生成定制化数据库系统，并结合面向特征的分解方法和依赖关系建模，实现了模块化的数据库构建。此外，SpecDB还引入了细化代理，通过迭代修复和调整，提高了生成数据库的质量和性能。

关键设计：DBGraph中的cooperate edge用于表示模块间的协同设计需求。模块构建流水线中的子代理分别负责模块生成、测试和架构设计。Refining Agent通过用户提供的细化工具包进行迭代优化。选择组件使用自然语言处理技术将工作负载描述转换为实现变体。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

SpecDB生成的数据库在TPC-C基准测试中表现出色。在10个仓库的配置下，SpecDB达到了tpmC=130，与PostgreSQL（128）和MySQL（127）的性能相当。同时，SpecDB的代码量仅为PostgreSQL和MySQL的约3%，表明其具有更高的代码效率和更小的资源占用。

🎯 应用场景

SpecDB可应用于各种需要定制化数据库系统的场景，例如嵌入式系统、物联网设备、特定行业的应用等。通过自动生成针对特定工作负载优化的数据库，可以显著提高性能、降低资源消耗，并简化数据库的部署和维护。未来，SpecDB有望成为一种通用的数据库生成工具，推动数据库技术的创新。

📄 摘要（原文）

Mainstream relational databases ship a uniform feature set across deployments, although individual workloads exercise only a fraction of the available subsystems. We investigate whether a database can instead be generated on demand with a feature set matched to the target workload. We present SpecDB, a system that uses large language models (LLMs) to synthesize customized relational databases. We survey 9 production systems and decompose them into 10 functional modules, each further divided into implementation variants. To capture cross-module dependencies, including cases where implementations in disjoint subtrees must be co-designed, we adopt the FODA feature model and extend it with a cooperate edge, yielding a dependency graph DBGraph. SpecDB operationalizes DBGraph through a layered module-construction pipeline in which each module is generated, validated, and integrated by a dedicated subagent (driven by three inner agents: Main, Tester, Architect), and a Refining Agent that iteratively repairs and tunes the assembled database against a user-supplied refining harness with read-only access to existing database source code. A companion selection component translates a natural-language workload description into a set of implementation variants, providing an end-to-end pipeline from workload description to deployable database. We evaluate SpecDB on TPC-C with BenchmarkSQL. The generated database (23,779 lines of Rust) completes 60-minute TPC-C at 1 and 10 warehouses with zero errors. At 10 warehouses it reaches tpmC=130, compared to 128 for PostgreSQL and 127 for MySQL, with comparable latency at ~3% of their code size. Because the agent operates at module-specification level rather than product source, it can in principle combine techniques across system boundaries. Paired with falling LLM costs, generating a purpose-built database for a target workload is becoming straightforward.