数据库 AI Skill 不是 Prompt:从 demo 到可用,中间差的是工程化
但做完之后,我很快意识到:一个 Skill 能跑起来,不等于它已经可用。
第二篇里,我讲了一个慢查询分析前处理 demo。
它做的事情并不复杂:
把 DBA 在慢查询前处理里那些重复动作,先让 AI 接过去一部分。
比如:
• 整理 SQL
• 查看表结构
• 查看索引
• 分析执行计划
• 输出一份初步判断
这个 demo 跑通之后,效果还不错。原来大约 25 分钟的前处理,压到了 2 分钟左右。
但做完之后,我很快意识到另一个问题:
这句话如果只停留在概念上,会显得有点虚。所以这篇我不想继续讲大而全的方法论,而是换一个更具体的问题:
慢查询分析前处理 demo,通常可以很快做出来。
最简单的形式,可能就是一句话:
再贴一段 SQL:
from orders
where user_id = 10001
order by created_at desc
limit 20;
AI 很可能会给出一组看起来还不错的建议:
• 需要查看执行计划
• 可能缺少联合索引
• 关注扫描行数是否过大
• order by created_at 可能触发排序
• 可以考虑 (user_id, created_at) 这样的索引方向
如果只是做 demo,这已经足够让人兴奋。因为它确实接住了一部分重复分析动作。
但如果站在 DBA 的角度,这个答案其实还不能直接用。
原因很简单:
它不知道表结构。
它不知道现有索引。
它不知道执行计划。
它不知道数据分布。
它不知道这个 SQL 的调用频率。
它也不知道这个表的写入压力。
所以它给出的"建议",更像一个方向。不是一个可以直接进入决策链路的结论。
demo 证明这个方向能跑;可用要求这个结果能被信任。
在继续讲 Skill 工程化之前,我觉得还需要先补一个概念边界。
前面为了方便表达,我一直在说"把慢查询分析做成一个 Skill",但严格来说,这个说法不够准确。
SOP 更像一套处理模板,描述某类问题通常应该怎么处理。它可能包含判断、分支、前置检查、执行步骤、验证步骤和回滚步骤。
而 Action 更像其中某一步允许调用的标准动作。
Skill / Executor 则是这个 Action 背后的具体执行能力。
如果放到一个更完整的系统里,这条链路更应该是:
-> 根因分类
-> SOPTemplate
-> HealingPlan
-> HealingStep
-> Action
-> Skill / Executor
也就是说:
所以,一个 SOP 不应该简单等于一个 Skill。一个 Skill 也不应该试图包下整个 SOP。
以慢查询分析为例,完整 SOP 里可能包含:
• 收集 SQL 与时间范围
• 查询表结构
• 查询索引
• 获取执行计划
• 提取关键特征
• 生成初步建议
• 人工复核
这些步骤里,有些会映射成 Action,再由对应能力执行;有些只是流程判断,有些必须留给人。
SOP 是剧本,Plan 是本次安排,Step 是分镜头,Action 是标准动作,Skill / Executor 是动作背后的执行能力。
这里需要额外说明一下。很多平台也会把一整个能力目录称为 Skill,比如 OpenClaw 这类工具就经常会说"已经帮你创建了 Skill"。
这个叫法没有问题,它是平台口径下的 Skill。但如果放到数据库工程化场景里,只说"创建了一个 Skill"还不够。
因为我们还要继续追问:
• 这个 Skill 是一个场景能力包?
• 还是某个 Action 背后的执行能力?
• 它包含 SOP 吗?
• 它能不能拆出标准 Action?
• 哪些部分可以自动执行,哪些部分必须人工确认?
这背后的逻辑其实很简单:
如果把整个 SOP 都压成一个 Skill,这个 Skill 很快就会变得过大、过重、难以复用,也难以审计。
这也是为什么我认为,谈 Skill 工程化之前,必须先把它的粒度和边界说清楚。
如果慢查询分析这个场景想从 demo 往前走,我觉得它至少不能只是一段 Prompt。
它应该开始有一个基本的工程形态。
这里我不再把它命名成 slow-query-skill,而是更倾向于把它看成一个场景化能力包。
能力包不是一个更大的 Skill。它更像是把 SOP + Plan 模板 + Action 定义 + Skill 实现 + 样例 + 测试 放在一起的交付形态:
├── sop.yaml # 慢查询分析处理模板
├── plan_template.yaml # 分步计划模板
├── actions/
│ ├── parse_sql.yaml # 标准动作定义
│ ├── read_schema.yaml
│ ├── read_indexes.yaml
│ ├── analyze_explain.yaml
│ └── generate_advice.yaml
├── skills/
│ ├── read_indexes/ # Action 背后的执行实现
│ └── analyze_explain/
├── prompts/
│ └── advice_format.md # 建议输出格式约束
├── examples/
│ ├── input.json # 输入样例
│ └── output.json # 输出样例
└── tests/
└── slow_query_cases.md # 典型慢查询样例
这个目录不复杂。但它传递了一个关键变化:
这里面最关键的不是文件数量,而是这些问题被显式写出来了:
• 这个场景适合处理什么问题?
• 它会走哪套 SOP?
• 本次执行会生成什么 Plan?
• 每一步对应什么 Action?
• 每个 Action 由哪个 Skill / Executor 实现?
• 每个 Skill / Executor 需要哪些输入?
• 每个 Skill / Executor 不能做哪些动作?
• 失败时应该怎么降级?
一旦这些问题没有被写清楚,它就很容易停留在 demo 状态。看起来能用,但每次用出来的结果都不太一样。
如果真要把这件事落地,我不会一上来就做一个完整的"慢查询分析 Skill"。
因为这个粒度太大。它里面有 SOP、有计划、有步骤、有动作、有判断,也有人要参与复核。
更稳的方式,是先选一个最小 Action。
比如:
这个 Action 只做一件事:解析执行计划,提取关键特征,输出初步风险判断。
它的输入可以先定义成:
"db_type": "mysql",
"sql_summary": {
"tables": ["orders"],
"filters": ["user_id = ?"],
"order_by": ["created_at desc"],
"limit": 20
},
"indexes": [
"PRIMARY KEY (id)",
"KEY idx_user_id (user_id)"
],
"explain": {
"type": "ref",
"key": "idx_user_id",
"rows": 120000,
"extra": "Using where; Using filesort"
}
}
输出可以先固定为:
"action": "analyze_explain"…