SQL 系统逐渐提供分类、抽取、过滤、排序、检索、连接、摘要等 AI 功能。虽然 API 各异，但这些函数本质上只承担三类关系角色：对单行进行转换、对分组进行聚合、或在行对之间生成关联。SAGE（Self‑Adaptive Generative Execution）提出统一的逻辑与物理框架，用三种带类型的原语 AI_SCALAR、AI_AGG、AI_JOIN 捕获上述角色，并自然地与标准关系算子组合。所有原语共享基于置信度的门控执行接口，同时支持针对其关系形状定制的物理策略。核心难点在 AI_JOIN：SAGE 会分析连接谓词，尽可能分解复合条件，并结合“配方卡”以及一个无需标签的探测器，在完整的执行策略集合中自动选择最优方案。我们在公开的 AI 操作符库以及覆盖标量、聚合、连接三类工作负载的基准上进行广泛审计，验证该模型能够覆盖常见 AI 功能，并始终提升执行质量与效率。实验表明，SAGE 在 SemBench 基准上取得最强整体表现，在一个具备可因式分解的连接案例中，将两两模型调用次数降低超过两个数量级，实际成本下降 358 倍。
博主点评：SAGE 的统一抽象与自适应执行为 SQL 中的 AI 功能提供了清晰且高效的实现路径，尤其在降低模型调用成本方面展示了显著优势。