数据库诊断与优化

数据库诊断与优化，支持SQL诊断、慢查询分析、索引推荐、性能快照。 使用场景： - 用户说"数据库慢了" -> 执行 slow-queries - 用户说"SQL有问题" -> 执行 sql "<SQL>" - 用户说"推荐索引" -> 执行 recommend-indexes - 用户说"全面检查" -> 执行...

Security Scan

技能描述与目标功能一致，但运行说明隐含对本地 dbskiter 二进制和数据库凭据的依赖，却未在元数据中声明——这会导致模糊的权限/凭据访问风险。

Purpose & Capability

功能（慢查询、SQL 诊断、索引推荐、性能快照、瓶颈分析等）与名称/描述一致。但 SKILL.md 假定存在一个名为 dbskiter 的 CLI 工具并通过 --database 参数与目标数据库交互；元数据未声明该二进制或任何安装要求，存在不一致。

Instruction Scope

运行时指令直接调用 dbskiter CLI 并允许执行任意 SQL（diagnose sql "<SQL>"），说明中没有说明如何提供数据库凭据或配置来源。实际执行时 dbskiter 很可能会访问环境变量、配置文件（例如 ~/.my.cnf、pgpass 或云/代理凭据）或本地网络来连接数据库，SKILL.md 未限制或说明这些行为，范围太模糊且可能导致凭据读取/传输风险。

Install Mechanism

这是纯说明型技能（无 install spec、无代码文件），因此不会自动写盘或下载代码，这通常是低风险。但由于指令依赖 dbskiter 二进制却未声明其为必需或如何安装，使用前需要确认该二进制来自何处并验证其可信度。

Credentials

元数据声明无需环境变量或凭据，但功能上必然需要访问数据库凭据/网络。此不一致意味着技能隐含地依赖未声明的敏感凭据（可能是环境变量、凭据文件或系统配置），这不成比例且未说明最小权限要求。

Persistence & Privilege

技能未请求 always:true 且默认允许模型调用（平台默认）。没有安装脚本或持久化设置，也未声明修改其它技能或系统范围配置，持久性/特权请求看上去正常。

What to consider before installing

在安装或启用此技能前： - 确认 dbskiter 二进制来自可信来源并了解如何安装与更新；不要在不知道来源的情况下运行未验证的二进制。 - 询问技能作者/发布者：dbskiter 如何获得数据库凭据（环境变量、配置文件、代理或交互式输入）；当心任何会读取 ~/.my.cnf、pgpass、云凭据或其他系统凭据的行为。 - 仅在受控环境或测试库上首先运行，避免直接对生产数据库使用“执行任意 SQL”的功能；为诊断创建只读且最小权限的数据库账号。 - 如果需要生产验证，要求作者补充元数据（声明所需二进制、安装步骤、必需的环境变量/凭据和网络访问范围）并提供源码或二进制签名以便审计。 - 若不能确认上述信息或二进制/凭据来源，视为高风险并避免在敏感环境中启用。

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：

用户说法	执行命令	说明
"数据库慢了"	dbskiter --output-mode=ai --database=<name> diagnose slow-queries	查看慢查询
"SQL有问题"	dbskiter --output-mode=ai --database=<name> diagnose sql "<SQL>"	诊断特定SQL
"加什么索引"	dbskiter --output-mode=ai --database=<name> diagnose recommend-indexes	获取索引建议
"检查一下"	dbskiter --output-mode=ai --database=<name> diagnose report	全面诊断报告
"有锁吗"	dbskiter --output-mode=ai --database=<name> diagnose locks	查看锁情况
"性能分析"	dbskiter --output-mode=ai --database=<name> diagnose performance-snapshot	采集性能快照
"瓶颈分析"	dbskiter --output-mode=ai --database=<name> diagnose bottleneck	分析性能瓶颈
"CPU高"	dbskiter --output-mode=ai --database=<name> diagnose performance-snapshot	查看CPU指标
"IO高"	dbskiter --output-mode=ai --database=<name> diagnose bottleneck	查看IO瓶颈

数据库支持

统一性能模型支持

数据库	性能快照	瓶颈分析	慢查询	状态
MySQL	支持	支持	支持	生产就绪
Oracle	支持	支持	支持	生产就绪
PostgreSQL	支持	支持	支持	生产就绪

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 = '[e-mail]'"

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）