TaurusDB 慢 SQL 智能诊断:用大模型辅助调优

数据库自动整理诊断上下文,大模型提供调优建议,用户验证后实施。

分析慢查询,只看 SQL 文本还不够。同一条查询,在不同的数据规模和索引条件下,执行效率可能相差很大。大模型也需要了解数据库采用了什么执行计划、为什么这样选择,以及相关表和索引的情况。

TaurusDB 的 AI_ANALYZE_SLOW_SQL 函数接口会自动采集执行计划、优化器跟踪信息(optimizer trace),以及相关表结构、索引和统计信息,交给 MaaS 大模型分析。用户通过 SQL 获取诊断报告,不必逐项准备这些材料。本文以标准 TPC-H 查询为例,根据模型建议验证索引,将耗时从 2.2 秒降至 0.2 秒。

1 诊断原理:数据库提供上下文,大模型辅助分析

MaaS(Model as a Service,模型即服务)提供远程模型推理服务。一次慢查询诊断中,TaurusDB 负责采集和整理查询信息,模型负责分析并给出建议。

图1:TaurusDB 采集查询信息并调用 MaaS,用户根据报告验证、实施优化。

诊断所需的信息主要有三类:

诊断材料

帮助回答的问题

执行计划

数据库准备怎样读取、关联数据?

优化器跟踪(optimizer trace)

优化器如何评估并选择当前路径?

表结构、索引及统计信息

已有哪些索引,涉及多大规模的数据?

表统计中的行数可能是估算值,不等于实时精确计数。模型会结合这些信息分析问题,建议是否有效仍需实际执行确认。

TaurusDB 将这些材料连同待分析的 SQL 发送给预置文本模型,返回包含诊断结论、依据、优化建议和风险说明的报告。

数据库会将 SQL、表名、列名、索引名、执行计划和优化器跟踪,以及最小化的表与索引元数据摘要发送到 MaaS;未参与的表数据不会外发。诊断使用估算执行计划,不会执行目标查询来测量耗时,也不会自动创建索引;建议需要验证后实施。

2 诊断入口:通过 SQL 获取调优建议

函数支持三个必填参数和一个可选参数:

scss 复制代码
AI_ANALYZE_SLOW_SQL(model_name, sql_text, database_name [, options])

方括号表示可选参数,不需要输入方括号。

参数

必填

说明

model_name

是

实例预置的文本模型名。本例为 huawei/deepseek-v4.1-flash

sql_text

是

待分析的完整 SELECT 语句,以字符串传入,也可以先保存到会话变量

database_name

是

业务数据所在的数据库。本例使用 sales_analytics(销售分析库)

options

否

JSON 格式的调用选项,可设置等待模型返回的超时时间和输出长度,见附录

函数返回诊断报告文本,不返回业务查询结果。使用前,实例需已启用 MaaS,账号需具备模型调用和相关表的访问权限。请在显式事务之外,通过独立 SELECT 调用该函数。

下面以月度促销收入报表为例。

3 案例验证:促销收入查询从 2.2 秒降至 0.2 秒

3.1 TPC-H 数据与促销收入查询

月度促销复盘需要统计促销产品的收入贡献。本例采用TPC-H 标准数据模型及 Q14 查询,使用tpchgen-cli 4.0.0按SF=1生成并导入八张表。SF 是数据规模因子;本次八表源文本合计约1.10 GB,数据库存储还会包含索引等额外空间。

本次实测在华为云 TaurusDB MySQL 实例(2.0.81.260900 版本)完成。

图2:TPC-H SF1 数据规模;本例使用产品表与订单明细表。

这条报表要回答:指定月份发货的产品中,促销产品收入占比是多少? 查询月份沿用 Q14 标准案例的 1995 年 9 月。Q14 用当月促销产品的折后收入作分子,用当月全部产品的折后收入作分母,计算收入占比。lineitem 表提供日期与金额,part 表提供产品类型,两表通过产品编号关联。

3.2 模型诊断与问题定位

示例使用业务库名 sales_analytics(销售分析库);执行前需准备上述 TPC-H 数据。复现时请替换为实际库名。先将完整查询保存到 @slow_sql,再调用诊断函数:

vbnet 复制代码
USE sales_analytics;
SET @slow_sql = 'SELECT
100.00 * sum(
CASE WHEN p_type LIKE ''PROMO%'' THEN
l_extendedprice * (1 - l_discount)
ELSE
0
END) / sum(l_extendedprice * (1 - l_discount)) AS promo_revenue
FROM
lineitem,
part
WHERE
l_partkey = p_partkey
AND l_shipdate >= date ''1995-09-01''
AND l_shipdate < CAST(''1995-10-01'' AS date)';

SELECT AI_ANALYZE_SLOW_SQL(
'huawei/deepseek-v4.1-flash',
@slow_sql,
'sales_analytics'
) AS diagnostic_report;

优化前,模型给出了以下索引建议:

评估在 lineitem 上增加以 l_shipdate 为前导列的索引。若查询频繁且日期范围较窄,可考虑覆盖索引,例如 (l_shipdate, l_partkey, l_extendedprice, l_discount),以减少全表扫描和回表;但需评估索引大小和写入开销。

原始计划显示,查询先扫描整张订单明细表,再筛选指定月份。独立计数发现,lineitem 共有 6,001,215 行 ,当月只有 75,983 行 ,约占 1.27%。已有索引没有以发货日期开头,无法直接按月份定位数据。模型建议的索引正是针对这部分无关明细的读取。

3.3 索引优化前后的执行计划与耗时

按照大模型提供的调优建议,在测试环境增加以下索引,再执行相同查询。

scss 复制代码
CREATE INDEX ix_lineitem_shipdate_cover
ON lineitem(l_shipdate, l_partkey, l_extendedprice, l_discount);

l_shipdate 用于定位月份范围,其他三列提供产品编号、金额和折扣。索引包含查询所需的全部明细字段,因此称为"覆盖索引",可以避免为取得这些字段再读取完整明细记录。

数据库按日期找到当月明细后,再按产品编号查询产品类型。查询逻辑保持不变,促销条件仍放在 CASE 中,分母包含当月全部产品收入。

以下是同一测试库索引优化前后的 EXPLAIN FORMAT=TREE 输出,实际执行耗时见下文测试结果。

F优化前:扫描整张明细表,再过滤日期

sql 复制代码
-> Aggregate: sum((lineitem.l_extendedprice * (1 - lineitem.l_discount))), sum((case when (part.p_type like 'PROMO%') then (lineitem.l_extendedprice * (1 - lineitem.l_discount)) else 0 end))
-> Nested loop inner join (cost=839965.00 rows=659804)
-> Filter: ((lineitem.l_shipdate >= DATE'1995-09-01') and (lineitem.l_shipdate < <cache>(cast('1995-10-01' as date)))) (cost=609033.76 rows=659804)
-> Table scan on lineitem (cost=609033.76 rows=5939420)
-> Single-row index lookup on part using PRIMARY (p_partkey=lineitem.l_partkey) (cost=0.25 rows=1)

优化后:通过日期索引范围读取当月明细

sql 复制代码
-> Aggregate: sum((lineitem.l_extendedprice * (1 - lineitem.l_discount))), sum((case when (part.p_type like 'PROMO%') then (lineitem.l_extendedprice * (1 - lineitem.l_discount)) else 0 end))
-> Nested loop inner join (cost=83069.08 rows=149806)
-> Index range scan on lineitem using ix_lineitem_shipdate_cover (cost=30636.98 rows=149806)
-> Single-row index lookup on part using PRIMARY (p_partkey=lineitem.l_partkey) (cost=0.25 rows=1)

产品表仍通过主键查找,明细表则由全表扫描改为索引范围扫描。cost 与 rows 是估算值,实际耗时见下表。

对比项

优化前

优化后

明细表读取方式

全表扫描后过滤日期

日期索引范围扫描

执行耗时(五次中位数)

2.2 秒

0.2 秒

图3:性能测试,预热一次后交替测量五次,展示中位耗时。

增加索引后,查询耗时减少约 90%。优化前后的业务结果一致:

复制代码
promo_revenue
16.3807786264

促销产品收入占比约为 16.38%。

本次仅增加索引,未修改查询逻辑。索引会占用空间、增加写入维护成本,实际业务需结合负载评估;本例的提速幅度不代表其他慢查询也有同样收益。

结语

TaurusDB 自动整理执行计划、索引和统计信息等诊断材料,交给大模型分析,用户通过 SQL 即可获取调优建议。本例从模型提出的覆盖索引建议入手,通过实际执行验证了优化效果,展示了 AI4DB 在慢查询调优中的用法。

未来,还可探索锁等待与阻塞诊断、系统负载分析等场景,结合事务等待关系、CPU 和 I/O 指标,辅助排查数据库运行中的问题。

附录:参数设置与案例补充

A 调整模型调用参数

如需调整模型调用的超时时间或输出长度,可通过第四个参数 options 传入以下设置:

选项

说明

示例值

timeout_ms

等待模型返回的超时时间,单位毫秒

180000,即 3 分钟

max_output_tokens

模型输出 token 数上限,token 不等于中文字数

4096

沿用正文定义的 @slow_sql,下面将超时时间设为 3 分钟,输出上限设为 4096 token:

less 复制代码
SELECT AI_ANALYZE_SLOW_SQL(
'huawei/deepseek-v4.1-flash', @slow_sql,
'sales_analytics',
JSON_OBJECT('timeout_ms', 180000, 'max_output_tokens', 4096)
) AS diagnostic_report;

B 本例诊断报告

以下结合本例整理了报告要点,不是逐字原始返回。

诊断结论

lineitem 当前采用全表扫描,再按发货日期过滤。建议评估以发货日期开头的覆盖索引,减少无关明细的读取。

关键证据

lineitem 的访问方式为 ALL,part 通过主键关联;已有明细索引没有以 l_shipdate 为前导列。

可能原因

发货日期条件缺少匹配的索引入口,查询无法直接定位指定月份的数据。

优化建议

评估在订单明细表 lineitem 上创建索引 ix_lineitem_shipdate_cover,索引列依次为 (l_shipdate, l_partkey, l_extendedprice, l_discount),按发货日期定位,并覆盖明细表中查询所需的列。保留 CASE 中的促销条件,确保收入占比的分母不变。

变更风险

新增索引会增加空间和写入维护成本,需要结合业务负载评估。

诊断局限

报告基于当前统计信息和估算执行计划,不包含目标查询的实际运行耗时;建议是否有效,需要通过实际执行验证。

C 执行案例查询

完成正文中的 @slow_sql 定义后,可在同一会话中执行以下语句,查看业务查询结果。使用时请将 sales_analytics 替换为实际库名。

sql 复制代码
USE sales_analytics;
PREPARE q14_stmt FROM @slow_sql;
EXECUTE q14_stmt;
DEALLOCATE PREPARE q14_stmt;
相关推荐
ServBay12 分钟前
AI编程越来越强,为什么软件漏洞却是一个没少?MySQL又爆高危漏洞了
后端·mysql
季风113233 分钟前
10.对象关系行为
后端
tann42 分钟前
Environment类
后端
鲸鹏芯海微电子科技上海有限公司1 小时前
手机直连卫星,射频前端到底要解决什么?
前端·后端
开心就好20251 小时前
通配符 Bundle ID 和精确 Bundle ID 怎么选,推送、iCloud 能不能用通配符
后端·ios
测试员周周1 小时前
【agent评测】:真实系统演示工具调用长什么样,用例怎么设计,怎么测
前端·后端·github
宇先生本人号1 小时前
别再用“AI 说完成了”:一套可复算的 Agent 验收流水线
后端
张明君644511 小时前
在 Astro SSR 项目中实现服务启动前初始化
前端·后端
用户3721574261352 小时前
Java 删除 Excel 重复行:整行去重、按单列和多列去重
后端