Estudo de Caso Sobre o Uso de Agentes de Inteligência Artificial na Otimização de Consultas e Recomendação de Índices em Bancos de Dados PostgreSQL
Resumo
Este trabalho propõe e avalia um sistema multiagente de Inteligência Artificial para automatizar a análise de desempenho, a otimização de consultas e a recomendação de índices em bancos de dados. O objetivo é aferir a confiabilidade das recomendações e a redução da intervenção manual de especialistas (DBAs e DBREs). A solução integra uma aplicação Python ao framework CrewAI. A validação ocorre em ambientes PostgreSQL com consultas sintéticas e dados reais anonimizados. Os resultados atestam a capacidade da ferramenta para identificar gargalos e sugerir indexações adequadas. A pesquisa contribui com uma abordagem automatizada de apoio à tomada de decisão. A proposta diminui o esforço operacional na manutenção de bancos de dados.
Palavras-chave:
Sistemas Multiagentes, Otimização de Consultas, Análise de Desempenho, Modelos de Linguagem
Referências
Amaral, K., Andrade, L., and Campos, E. (2025). O uso da inteligência artificial na otimização de consultas em bancos de dados. Revista Camalotes, 4.
ANTHROPIC (2026). Claude 3.5 sonnet: Technical documentation. [link]. Disponível em: [link]. Acesso em: mar. 2026.
Chaudhari, B. (2025). Automated database tuning using ai: A comprehensive framework for real-time performance optimization. In myresearchgo Vidya-Varta 2025, pages 12–31. Vidya-Varta Publication, India.
CrewAI Inc. (2026). CrewAI documentation. [link]. Acesso em: mar. 2026.
Lao, J., Wang, Y., Li, Y., Wang, J., Zhang, Y., Cheng, Z., Chen, W., Tang, M., and Wang, J. (2024). Gptuner: A manual-reading database tuning system via gpt-guided bayesian optimization. Proc. VLDB Endow., 17(8):1939–1952.
Marcus, R. and Papaemmanouil, O. (2018). Deep reinforcement learning for join order enumeration. In Proceedings of the First International Workshop on Exploiting Artificial Intelligence Techniques for Data Management, aiDM’18, New York, NY, USA. Association for Computing Machinery.
Morelli, E. T., Monteiro, J. M., Almeida, A. C., and Lifschitz, S. (2009). Reindexação automática em sgbds relacionais. In Brayner, A., editor, XXIV Simpósio Brasileiro de Banco de Dados, 05-09 de Outubro, Fortaleza, Ceará, Brasil, Anais, pages 31–45. SBC.
Mozaffari, M., Dignös, A., Gamper, J., and Störl, U. (2024). Self-tuning database systems: A systematic literature review of automatic database schema design and tuning. ACM Comput. Surv., 56(11).
Oliveira, R., Baião, F., Machado, J., Almeida, A. C., and Lifschitz, S. (2022). Autonomic combination and selection of tuning actions. In Anais do XXXVII Simpósio Brasileiro de Bancos de Dados, pages 39–51, Porto Alegre, RS, Brasil. SBC.
Petrola, L., Brayner, A., and Franco, W. (2025). Heuristic-guided text-to-sql translation with llms: Optimizing natural language interfaces for relational databases. In Anais do XL Simpósio Brasileiro de Bancos de Dados, pages 126–139, Porto Alegre, RS, Brasil. SBC.
Sharma, A., Schuhknecht, F., and Dittrich, J. (2018). The case for automatic database administration using deep reinforcement learning. DOI: 10.48550/arXiv.1801.05643.
Wooldridge, M. (2009). An Introduction to Multiagent Systems. John Wiley & Sons, 2 edition.
ANTHROPIC (2026). Claude 3.5 sonnet: Technical documentation. [link]. Disponível em: [link]. Acesso em: mar. 2026.
Chaudhari, B. (2025). Automated database tuning using ai: A comprehensive framework for real-time performance optimization. In myresearchgo Vidya-Varta 2025, pages 12–31. Vidya-Varta Publication, India.
CrewAI Inc. (2026). CrewAI documentation. [link]. Acesso em: mar. 2026.
Lao, J., Wang, Y., Li, Y., Wang, J., Zhang, Y., Cheng, Z., Chen, W., Tang, M., and Wang, J. (2024). Gptuner: A manual-reading database tuning system via gpt-guided bayesian optimization. Proc. VLDB Endow., 17(8):1939–1952.
Marcus, R. and Papaemmanouil, O. (2018). Deep reinforcement learning for join order enumeration. In Proceedings of the First International Workshop on Exploiting Artificial Intelligence Techniques for Data Management, aiDM’18, New York, NY, USA. Association for Computing Machinery.
Morelli, E. T., Monteiro, J. M., Almeida, A. C., and Lifschitz, S. (2009). Reindexação automática em sgbds relacionais. In Brayner, A., editor, XXIV Simpósio Brasileiro de Banco de Dados, 05-09 de Outubro, Fortaleza, Ceará, Brasil, Anais, pages 31–45. SBC.
Mozaffari, M., Dignös, A., Gamper, J., and Störl, U. (2024). Self-tuning database systems: A systematic literature review of automatic database schema design and tuning. ACM Comput. Surv., 56(11).
Oliveira, R., Baião, F., Machado, J., Almeida, A. C., and Lifschitz, S. (2022). Autonomic combination and selection of tuning actions. In Anais do XXXVII Simpósio Brasileiro de Bancos de Dados, pages 39–51, Porto Alegre, RS, Brasil. SBC.
Petrola, L., Brayner, A., and Franco, W. (2025). Heuristic-guided text-to-sql translation with llms: Optimizing natural language interfaces for relational databases. In Anais do XL Simpósio Brasileiro de Bancos de Dados, pages 126–139, Porto Alegre, RS, Brasil. SBC.
Sharma, A., Schuhknecht, F., and Dittrich, J. (2018). The case for automatic database administration using deep reinforcement learning. DOI: 10.48550/arXiv.1801.05643.
Wooldridge, M. (2009). An Introduction to Multiagent Systems. John Wiley & Sons, 2 edition.
Publicado
08/09/2026
Como Citar
MOREIRA, Rávilla N. S.; SEUFITELLI, Danilo Boechat.
Estudo de Caso Sobre o Uso de Agentes de Inteligência Artificial na Otimização de Consultas e Recomendação de Índices em Bancos de Dados PostgreSQL. In: WORKSHOP DE TRABALHOS DE ALUNOS DA GRADUAÇÃO (WTAG) - SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 41. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 71-77.
DOI: https://doi.org/10.5753/sbbd_estendido.2026.249590.
