Qdrant在向量搜索中采用过滤内置于搜索的方式，而非预过滤或后过滤。预过滤成本高，后过滤可能返回不足。Qdrant通过HNSW图遍历时检查过滤条件，并用Filterable HNSW和ACORN修复严格过滤导致的路径断裂。查询规划器按过滤匹配度选择路径，如过滤索引或全扫描，确保高效准确。
SQLite的SQL编译管线分为Tokenizer、Parser、名字解析和代码生成四段，其中查询规划与代码生成无独立边界。schema cookie变化时，sqlite3_step会根据语句是否由prepare_v2创建自动重编译或返回SQLITE_SCHEMA。实测显示INT与INTEGER PRIMARY KEY对同一查询产生不同访问路径，规划算法采用NN/N3启发式，不保证全局最优。
pg_plan_alternatives是一个工具，利用eBPF追踪PostgreSQL优化器在查询规划阶段考虑的所有替代执行计划及其成本。该工具帮助用户理解优化器的决策过程，并调整系统参数，强调成本优化和查询计划结构的重要性。
Postgres 19引入了优化的连接估算方法，解决了传统O(N^2)复杂度的问题。通过构建哈希表，复杂数据的估算性能显著提升，复杂度降至O(N)，使查询规划速度更快，适应现代数据需求。
在Grafast工作组首次会议上，确定了四个主要问题，目前已解决三个，包括消除eval。新版本grafast@0.1.1-beta.21优化了输入评估，查询规划时间从4分钟缩短至1.1毫秒。用户需更新代码以适应新变化。
PostgreSQL 17在逻辑复制、内存优化和查询规划方面显著提升，支持更高效的并行查询和自适应自动清理，减少停机时间和数据丢失。优化的内存管理和索引使其更好地支持OLTP和OLAP工作负载。
本研究提出了两种利用大型语言模型（LLMs）进行高效查询规划的框架，旨在提升复杂环境中的规划效率与灵活性。将LLMs作为生成规划者，该方法在适应反馈和减少交互方面表现出显著优势。
Vitess的新查询规划模型通过将优化过程中的每一步转化为可运行的计划，简化了理解和测试。该模型支持在排序、分组和聚合中使用任意表达式，提升了灵活性。优化过程从确定表的连接顺序开始，逐步将操作推送到MySQL，减轻了VTGate的负担。新模型提供了更好的可视化和优化前后的结果比较，促进了Vitess的进一步发展。
Vitess 查询规划器通过修复优化器中的一个错误来优化查询执行。它使用树重写将操作推向更接近数据的位置，从而减少数据检索和排序成本。通过延迟启用“聚合下排序”重写器，将聚合操作推到连接操作下。大多数聚合操作被推送到 MySQL，只需要在 VTGate 级别对每个分片进行 SUM。这种优化展示了查询规划的复杂性以及树重写在 Vitess 中的重要性。
PostgreSQL使用基于成本的查询规划来优化查询性能。查询规划器分析SQL查询，生成多个执行计划并评估其资源成本。关键参数如seq_page_cost和random_page_cost影响成本估算，优化这些参数可提高查询效率。定期更新统计信息和监控查询性能是提升数据库性能的最佳实践。
Vitess的新查询规划模型通过将优化过程中的每一步转化为可运行的计划，简化了理解和测试。该模型在排序、分组和聚合中支持任意表达式，提高了灵活性，并在可视化和可测试性方面显著改善，使开发者能够更有效地优化查询。
完成下面两步后，将自动完成登录并继续当前操作。
