Automating Database-Native Function Code Synthesis with LLMs

Titel: Automatisering van de Synthese van Database-Natieve Functies met LLM's

Auteurs: Wei Zhou, Xuanhe Zhou, Qikang He, Guoliang Li, Bingsheng He, Quanqing Xu, Fan Wu.
Publicatie: SIGMOD 2026 (Proc. ACM Manag. Data).

---

1. Het Probleem

Moderne databasesystemen (zoals PostgreSQL, DuckDB en SQLite) bevatten een groeiend aantal ingebouwde "native functions" in hun kernels. Deze functies zijn essentieel voor nieuwe applicaties en migraties (bijvoorbeeld van Oracle naar PostgreSQL). Het handmatig implementeren van deze functies is echter een complex, foutgevoelig en tijdrovend proces dat diepgaande kennis vereist van:

• Interne afhankelijkheden: Een SQL-functie kan corresponderen met meerdere onderliggende "function units" (bijv. verschillende implementaties voor verschillende invoertypes).
• Bestandsstructuur: De code moet in de juiste bronbestanden worden geplaatst en correct worden geregistreerd in systeemcatalogi.
• Referenties: Het gebruik van interne macro's en bestaande hulpfuncties is cruciaal; het missen hiervan leidt tot compilatiefouten of semantische fouten.

Bestaande methoden voor code-generatie met Large Language Models (LLM's) en agent-systemen (zoals Claude Code) falen vaak in deze context omdat ze:

1. Te generiek zijn en de specifieke architectuur van databases missen.
2. Te veel tijd besteden aan het zoeken naar bestanden in plaats van logica te schrijven.
3. Geen rekening houden met de noodzaak om code te hergebruiken of specifieke referenties te koppelen, wat leidt tot hallucinaties en onvolledige implementaties.

2. Methodologie: DBCooker

De auteurs stellen DBCooker voor, een LLM-gebaseerd systeem dat specifiek is ontworpen voor de synthese van database-native functies. Het systeem bestaat uit drie kerncomponenten:

A. Functie-Characterisatie Module (Function Characterization)

In plaats van te vertrouwen op ruwe bestandszoekopdrachten, analyseert deze module de databasecodebase deterministisch om de structuur van de te synthetiseren functie te begrijpen:

• Verzameling van declaraties: Het haalt zowel tekstuele documentatie als formele declaraties uit systeemcatalogi (bijv. pg_proc.dat) om de exacte signatuur en invoer/uitvoer te bepalen.
• Identificatie van unieke function units: Via grafische analyse (static dependency graphs) wordt bepaald welke specifieke codeblokken (units) nieuw moeten worden geschreven en welke al bestaan.
• Analyse van cross-unit referenties: Het identificeert essentiële referenties (macro's, hulpfuncties) en filtert irrelevante details weg, zodat de LLM alleen de nodige context krijgt.

B. Synthese-operaties (Function Code Synthesis Operations)

DBCooker gebruikt een geavanceerde strategie om code te genereren, in plaats van "vanaf nul" te beginnen:

1. Pseudo-code gebaseerde plangeneratie: De LLM genereert eerst gestructureerde "skeletons" (skeletten) van de code. Deze plannen identificeren de benodigde units en referenties. Een score-based filtering mechanisme selecteert het beste plan op basis van correctheid en eenvoud.
2. Progressieve code-synthese (Fill-in-the-blank): De synthese wordt gemodelleerd als het invullen van gaten in bestaande templates. De LLM vult alleen de specifieke logica in, terwijl de structuur en referenties behouden blijven.
   • Adaptieve aanpassing: Als het invullen van templates faalt (bijv. door een verkeerde referentie), verlaagt het systeem de waarschijnlijkheid van dit model en schakelt over naar een "vanaf-nul" generatiemodus als noodplan.
3. Drie-staps validatie:
   • Syntaxis: Controle op grammatica met parsers (bijv. ANTLR).
   • Compliance: Controle of de code voldoet aan database-specifieke conventies en correct compileert.
   • Semantiek: Validatie met gegenereerde testcases om te garanderen dat de output correct is.

C. Adaptieve Orkestratie (Adaptive Tool Orchestration)

In plaats van een starre workflow (code -> test), behandelt DBCooker synthese als een dynamisch proces:

• Tools: Alle operaties (zoals zoeken, compileren, genereren) worden geabstraheerd naar "tools".
• Geheugen-versterkte orchestratie: Een LLM-controller kiest de volgende tool op basis van de context en een geheugenpool met historische workflows van vergelijkbare functies. Dit stelt het systeem in staat om zich aan te passen aan de complexiteit van de specifieke functie (bijv. een simpele wiskundige functie versus een complexe aggregatiefunctie).

3. Belangrijkste Bijdragen

1. Eerste gespecialiseerd systeem: DBCooker is het eerste systeem dat de compositie van databasefuncties analyseert, interne referenties genereert en adaptief synthetiseert.
2. Functie-Characterisatie: Een module die cruciale implementatie-informatie extrahert via declaratie-extractie en kruis-referentie analyse.
3. Unieke synthese-strategie: Een combinatie van pseudo-planning, probabilistische "fill-in-the-blank" modellen en progressieve validatie.
4. Adaptieve Orkestratie: Een dynamische workflow die LLM-beslissingen combineert met het hergebruik van historische trajecten.
5. Empirische validatie: Uitgebreide experimenten die aantonen dat het systeem superieur is aan state-of-the-art methoden.

4. Resultaten

DBCooker werd getest op drie populaire databases: SQLite, PostgreSQL en DuckDB.

• Accuracy: DBCooker presteerde gemiddeld 34,55% beter in nauwkeurigheid dan de beste bestaande methoden (zoals Claude Code en Qwen Code).
• Compliance & Resultaten: Het systeem bereikte een Compliance Accuracy (succesvolle compilatie) van ~78,9% en een Result Accuracy (correcte uitvoering) van ~65,2%.
• Foutreductie: Het verminderde drastisch het aantal declaratie- en referentiefouten, die bij andere methoden vaak >80% van de fouten uitmaken.
• Nieuwe Functies: Het systeem slaagde erin om vier categorieën van nieuwe functies te synthetiseren die niet bestonden in de nieuwste versie van SQLite (v3.50), zoals covar_pop, century, en gamma.
• Complexiteit: DBCooker behield hoge prestaties zelfs bij complexe functies (Hard difficulty), terwijl andere methoden daar sterk in inzakte.

5. Betekenis en Impact

Dit werk is significant omdat het een oplossing biedt voor een kritieke bottleneck in database-ontwikkeling en migratie:

• Efficiëntie: Het reduceert de tijd en kosten voor het migreren van legacy systemen (waarbij het herschrijven van functies vaak 30-60% van het budget kost).
• Betrouwbaarheid: Door de integratie van deterministische validatie en database-specifieke constraints, overbrugt het de kloof tussen de probabilistische aard van LLM's en de strikte correctheidseisen van databasesystemen.
• Toekomstbestendigheid: Het systeem is ontworpen om mee te groeien met database-versies en kan zich aanpassen aan nieuwe eisen zonder dat het model opnieuw getraind hoeft te worden, dankzij de adaptieve tool-orchestratie.

Kortom, DBCooker demonstreert dat LLM's effectief kunnen worden ingezet voor complexe, systeemkritische taken in databasekernen, mits ze worden begeleid door domeinspecifieke characterisatie en strikte validatielussen.