La configuración de ajuste es vital para lograr un alto rendimiento en un sistema de gestión de base de datos (DBMS). Recientemente, se han explorado métodos de ajuste automático utilizando Aprendizaje por Refuerzo (RL) para encontrar mejores configuraciones en comparación con los administradores de bases de datos (DBAs) y heurísticas. Sin embargo, los métodos existentes basados en RL todavía tienen varias limitaciones: (1) Excesiva sobrecarga debido a la dependencia de bases de datos clonadas; (2) la estrategia de prueba y error puede producir configuraciones peligrosas que llevan al fallo de la base de datos; (3) falta la capacidad de manejar una carga de trabajo dinámica. Para abordar los desafíos mencionados, se propone un sistema de ajuste de base de datos basado en RL rápido y estable, FASTune. Se propone un entorno virtual para evaluar configuraciones, que es un esquema equivalente pero más eficiente que la base de datos clonada. Para garantizar la estabilidad durante el ajuste, FASTune adopta un proxy de entorno para evitar configuraciones peligrosas. Además, se propone un modelo Multi-State Soft Actor-Critic (MS-SAC) para manejar cargas de trabajo dinámicas, que utiliza la red soft actor-critic para ajustar la base de datos según la carga de trabajo y los estados de la base de datos. Los resultados experimentales indican que, en comparación con los métodos más avanzados, FASTune puede lograr mejoras en el rendimiento manteniendo la estabilidad en el ajuste.