数据库诊断 Skill

何时使用

当用户提到以下关键词时，使用此skill：

数据库支持

统一性能模型支持

说明：

• MySQL：支持5.7/8.0，自动降级（performance_schema -> information_schema -> SHOW STATUS）
• Oracle：支持11g/12c/19c/21c，自动降级（AWR -> V$视图 -> 基础统计），支持RAC
• PostgreSQL：支持10-16，自动降级（pg_stat_statements -> pg_stat_activity），支持pg_stat_kcache扩展

核心命令

1. 查看慢查询

dbskiter --database=<数据库名> diagnose slow-queries

默认行为：返回最近7天最慢的10个查询

可选参数：

• --limit=5：只看前5条
• --min-duration=0.5：超过0.5秒的查询

2. 诊断SQL

dbskiter --database=<数据库名> diagnose sql "SELECT * FROM users WHERE email = 'test@test.com'"

输出：评分、问题列表、优化建议

3. 推荐索引

dbskiter --database=<数据库名> diagnose recommend-indexes

默认行为：分析所有表，推荐高价值索引

可选参数：

• --table=users：只分析指定表

4. 查看锁

dbskiter --database=<数据库名> diagnose locks

输出：当前锁等待情况

5. 性能快照（新增）

dbskiter --database=<数据库名> diagnose performance-snapshot

输出：CPU、IO、内存、并发、锁等多维度性能指标

适用场景：

• 数据库整体性能评估
• 容量规划前的基线采集
• 性能问题的全面诊断

输出示例：

{
  "summary": "性能快照采集完成",
  "data": {
    "snapshot": {
      "timestamp": "2026-04-24T10:30:00",
      "metrics": [
        {
          "name": "active_session_ratio",
          "value": 75.5,
          "unit": "%",
          "category": "cpu",
          "severity": "high"
        }
      ],
      "slow_queries": [...],
      "active_sessions": 15,
      "total_sessions": 100
    },
    "bottlenecks": [...]
  }
}

6. 瓶颈分析（新增）

dbskiter --database=<数据库名> diagnose bottleneck

输出：自动识别性能瓶颈并给出优化建议

适用场景：

• 数据库性能下降时的快速诊断
• 定位CPU/IO/锁等具体瓶颈

输出示例：

{
  "summary": "发现3个性能瓶颈",
  "data": {
    "bottlenecks": [
      {
        "category": "cpu",
        "severity": "high",
        "metrics": [...],
        "suggestion": "检查高CPU消耗的SQL，考虑优化或增加CPU资源"
      }
    ],
    "severity_summary": {
      "critical": 0,
      "high": 1,
      "medium": 2,
      "low": 0
    },
    "recommendations": [
      "[cpu] 检查高CPU消耗的SQL，考虑优化或增加CPU资源"
    ]
  }
}

7. 综合报告

dbskiter --database=<数据库名> diagnose report

输出：慢查询 + 索引建议 + 锁情况 + 总体评分

AI决策流程

场景1：用户说"数据库慢了"

步骤1：执行 dbskiter --database=<name> diagnose performance-snapshot
步骤2：查看返回的bottlenecks，确定瓶颈类型
步骤3：如果是慢查询导致，执行 dbskiter --database=<name> diagnose slow-queries
步骤4：根据诊断结果，执行 dbskiter --database=<name> diagnose recommend-indexes
步骤5：总结给用户："发现X个性能瓶颈，主要是XX问题，建议..."

场景2：用户说"CPU使用率很高"

步骤1：执行 dbskiter --database=<name> diagnose performance-snapshot
步骤2：查看metrics中category为cpu的指标
步骤3：如果active_session_ratio高，执行 dbskiter --database=<name> diagnose slow-queries
步骤4：给出优化建议

场景3：用户说"帮我优化这个SQL"

步骤1：执行 dbskiter --database=<name> diagnose sql "<SQL>"
步骤2：如果评分<70，执行 dbskiter --database=<name> diagnose recommend-indexes
步骤3：给出优化后的SQL和建议

场景4：用户说"做个全面检查"

步骤1：执行 dbskiter --database=<name> diagnose performance-snapshot（查看当前性能状态）
步骤2：执行 dbskiter --database=<name> diagnose report（获取综合报告）