Automatización de la Síntesis de Código para Funciones Nativas de Bases de Datos mediante LLMs

Automating Database-Native Function Code Synthesis with LLMs

April 2, 2026

Autores: Wei Zhou, Xuanhe Zhou, Qikang He, Guoliang Li, Bingsheng He, Quanqing Xu, Fan Wu

cs.AI

Resumen

Los sistemas de bases de datos incorporan un número cada vez mayor de funciones en sus núcleos (también conocidas como funciones nativas de la base de datos) para escenarios como el soporte de nuevas aplicaciones y la migración de negocios. Este crecimiento genera una demanda urgente de síntesis automática de funciones nativas de bases de datos. Si bien los avances recientes en la generación de código basada en LLM (por ejemplo, Claude Code) son prometedores, son demasiado genéricos para el desarrollo específico de bases de datos. A menudo generan alucinaciones o pasan por alto contexto crítico porque la síntesis de funciones de base de datos es inherentemente compleja y propensa a errores, donde sintetizar una sola función puede implicar registrar múltiples unidades de función, vincular referencias internas e implementar la lógica correctamente. Para ello, proponemos DBCooker, un sistema basado en LLM para sintetizar automáticamente funciones nativas de bases de datos. Consta de tres componentes. Primero, el módulo de caracterización de funciones agrega declaraciones de múltiples fuentes, identifica las unidades de función que requieren codificación especializada y rastrea las dependencias entre unidades. En segundo lugar, diseñamos operaciones para abordar los principales desafíos de síntesis: (1) un generador de planes de codificación basado en pseudocódigo que construye esquemas de implementación estructurados identificando elementos clave como funciones referenciadas reutilizables; (2) un modelo híbrido de rellenar espacios en blanco guiado por probabilidades previas y conciencia de componentes para integrar la lógica central con rutinas reutilizables; y (3) validación progresiva de tres niveles, que incluye verificación sintáctica, cumplimiento de estándares y verificación semántica guiada por LLM. Finalmente, una estrategia de orquestación adaptativa unifica estas operaciones con herramientas existentes y las secuencia dinámicamente mediante el historial de orquestación de funciones similares. Los resultados muestran que DBCooker supera a otros métodos en SQLite, PostgreSQL y DuckDB (34.55% más de precisión en promedio), y puede sintetizar nuevas funciones ausentes en la última versión de SQLite (v3.50).

English

Database systems incorporate an ever-growing number of functions in their kernels (a.k.a., database native functions) for scenarios like new application support and business migration. This growth causes an urgent demand for automatic database native function synthesis. While recent advances in LLM-based code generation (e.g., Claude Code) show promise, they are too generic for database-specific development. They often hallucinate or overlook critical context because database function synthesis is inherently complex and error-prone, where synthesizing a single function may involve registering multiple function units, linking internal references, and implementing logic correctly. To this end, we propose DBCooker, an LLM-based system for automatically synthesizing database native functions. It consists of three components. First, the function characterization module aggregates multi-source declarations, identifies function units that require specialized coding, and traces cross-unit dependencies. Second, we design operations to address the main synthesis challenges: (1) a pseudo-code-based coding plan generator that constructs structured implementation skeletons by identifying key elements such as reusable referenced functions; (2) a hybrid fill-in-the-blank model guided by probabilistic priors and component awareness to integrate core logic with reusable routines; and (3) three-level progressive validation, including syntax checking, standards compliance, and LLM-guided semantic verification. Finally, an adaptive orchestration strategy unifies these operations with existing tools and dynamically sequences them via the orchestration history of similar functions. Results show that DBCooker outperforms other methods on SQLite, PostgreSQL, and DuckDB (34.55% higher accuracy on average), and can synthesize new functions absent in the latest SQLite (v3.50).