Automating Database-Native Function Code Synthesis with LLMs
本文提出了名为 DBCooker 的 LLM 驱动系统，通过函数特征分析、混合代码生成及三级渐进验证等创新机制，有效解决了数据库原生函数合成中上下文缺失与幻觉问题，在多个主流数据库上显著提升了代码生成的准确率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文介绍了一个名为 DBCooker 的智能系统，它的核心任务是教人工智能（LLM）如何像数据库专家一样，自动编写数据库内部的“原生函数”代码。
为了让你更容易理解，我们可以把数据库想象成一个巨大的、高度精密的“超级厨房”。
1. 背景：为什么我们需要 DBCooker？
- 超级厨房的菜单（数据库函数）： 现在的数据库（如 PostgreSQL, SQLite）就像一家拥有成千上万道菜（函数）的超级厨房。比如“计算日期”、“取平方根”、“处理 JSON 数据”等。
- 新菜的需求： 随着业务发展，厨房需要不断推出新菜（新功能），或者把其他餐厅（旧数据库）的招牌菜搬过来。
- 人工的困境： 以前，每加一道新菜，都需要一位**顶级大厨（人类专家）**亲自下厨。这非常难，因为：
- 规则复杂： 厨房有严格的规矩（比如必须用特定的锅、特定的调料顺序）。
- 依赖众多： 做一道菜可能需要调用其他 10 种半成品（内部函数），如果引用错了，整道菜就废了。
- 耗时耗力： 人工编写和调试这些底层代码，既慢又容易出错，甚至需要几十个小时。
现状问题： 虽然现在的 AI（如 Claude Code）很聪明，能写普通的代码，但让它直接去这个“超级厨房”里做菜，它经常**“幻觉”（乱编规则）、“找不到锅”（文件路径错误）或者“忘了放盐”**（漏掉关键引用），导致做出来的菜根本没法吃（编译失败或运行报错）。
2. DBCooker 是什么？
DBCooker 就像是一个**“超级智能厨房助理”。它不仅仅是让 AI 瞎写代码，而是给 AI 配备了一套专业的厨房工作流**，让它能精准地做出符合数据库要求的“原生函数”。
它的工作流程分为三个主要步骤，我们可以用**“点菜 -> 备菜 -> 试吃”**来比喻：
第一步：功能画像（Function Characterization）—— “读懂菜单，理清食材”
在动手做菜前，DBCooker 先帮 AI 把任务拆解清楚：
- 收集菜单（声明收集）： 它去查官方文档和数据库内部的“登记簿”，搞清楚这道新菜叫什么、需要什么原料（输入参数）、最后端出来是什么（返回值）。
- 拆解工序（单元识别）： 很多数据库函数其实是由好几个小步骤组成的。比如“截断日期”这个功能，可能对应“处理时间戳”和“处理时间间隔”两个不同的内部小任务。DBCooker 能自动识别出需要写哪几个小任务，而不是让 AI 对着一个巨大的空白文档发呆。
- 寻找半成品（引用分析）： 它会在厨房里找出哪些现成的“半成品”（内部函数、宏定义）可以直接用。比如，它知道“输出结果”可以用一个现成的宏，不用自己从头写。
第二步：代码合成操作（Function Code Synthesis）—— “按图索骥，精准烹饪”
有了清晰的计划后，DBCooker 指导 AI 开始写代码：
- 写草稿（伪代码计划）： 不让 AI 直接写最终代码，而是先写一个“骨架”或“大纲”。比如：“第一步在这里调用 A 函数，第二步在这里处理 B 数据”。
- 填空模式（Fill-in-the-blank）： 这是最巧妙的地方。DBCooker 发现很多代码结构是相似的。它会把 AI 的工作变成**“填空题”**。比如，它已经写好了 90% 的代码框架，AI 只需要把中间最核心的逻辑填进去。这大大降低了 AI 犯错的概率。
- 动态调整（自适应）： 如果 AI 填错了，或者发现之前的计划行不通，系统会自动降低“填空”的概率，让 AI 切换回“从头写”的模式，或者尝试其他路径，就像厨师发现食材坏了就换一种做法。
第三步：三级验证（Three-Stage Validation）—— “层层试吃，确保美味”
代码写完后，DBCooker 不会直接发布，而是进行三次严格的“试吃”：
- 语法检查（看卖相）： 代码写得通不通？有没有拼写错误？（就像看菜摆盘是否整齐）。
- 合规检查（看规矩）： 代码是否符合数据库内部的严格规范？有没有用错锅具？（就像检查是否用了违禁添加剂）。
- 语义检查（尝味道）： 运行测试用例，看结果对不对？（就像真的尝一口，看咸淡适不适合）。
- 如果有任何一步失败，系统会把错误反馈给 AI，让它**“返工”**，直到完美为止。
3. 为什么 DBCooker 这么厉害？（核心创新）
- 不是“盲人摸象”，而是“有的放矢”： 普通的 AI 像是一个在厨房里乱翻的学徒，找半天找不到锅。DBCooker 直接告诉 AI：“去那个红色的架子拿那个蓝色的锅”。
- 不是“从零开始”，而是“站在巨人肩膀上”： 它利用数据库里已有的代码片段（引用），让 AI 只写最核心的部分，既快又准。
- 不是“一次定生死”，而是“动态进化”： 它有一个“记忆库”，记得以前做类似菜品的成功经验。如果这次做“数学函数”失败了，它会参考以前做“数学函数”的成功路径来调整策略。
4. 成果如何？
论文在三个主流数据库（SQLite, PostgreSQL, DuckDB）上进行了测试：
- 准确率飙升： DBCooker 的成功率比目前最先进的 AI 工具（如 Claude Code）平均高出 34.55%。
- 能造新菜： 它甚至成功为 SQLite 添加了 4 类原本没有的新函数，这些函数在其他数据库里有，但 SQLite 以前没有，DBCooker 成功把它们“移植”并“适配”过来了。
总结
DBCooker 就像是给 AI 穿上了一套数据库专家的“外骨骼装甲”。它不再让 AI 盲目地猜测和试错，而是通过拆解任务、利用现有资源、严格验证这三步走，让 AI 能够像人类专家一样，高效、准确地为数据库编写底层核心代码。
这不仅仅是让 AI 写代码，更是让 AI理解并遵守复杂系统的规则，从而真正解决数据库开发中的“硬骨头”问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。