在oracle数据库上构建智能化运维体系相对比较容易，我们花了一个月左右的时间的探索，就已经找到了的将原有的oracle的运维知识转化为DeepSeek能够理解的内容，因此很快就利用DeepSeek完成了相对复杂的故障根因分析的推断,但是要在国产数据库上完成这个工作相对就困难多了。
这是因为国产数据库的知识虽然可以从各种手册和官方文档中获得,但是国产数据库的运维经验却少得可怜,必须我们自己一点点的去总结。
很多做AI算法的专家都希望能够通过让大语言模型去学习知识，从而自己总结出经验,再使用这些经验去做诊断分析。我觉得哪怕是一个人类想要简单的通过知识学习，不经过任何实践就成为一个高手都十分困难。依靠算法专家和大语言模型的底座能力，给他喂进去一大堆相关知识，就能让他自己总结出经验，想做到这一点并不容易。最起码你也得给他喂进去一大堆的故障案例，通过这些案例他才能总结出相关的经验来。而标注这些案例也需要运维专家的参与，仅仅依靠大语言模型的专家是完全不够的。
在现阶段我还是认为高质量的运维经验才是提升aiops能力的关键，而不是给大模型喂大量的知识。如何获得大量经过实战验证的高质量的运维经验会成为智能化运维领域必须关注的问题,如果解决不好这些问题智能化运维可能会成为一个空中楼阁。现在有不少朋友都在尝试如何利用相关的可获得的知识文档去提升大语言模型，在分析诊断方面的能力。
也有不少朋友在说，如果把oracle公司的mos网站的数据喂给他,是不是就无敌了？实际上来说也不见得，因为准确的推理需要精准的数据和背景知识，其实现在mos网站也是有大模型加持的，他并没有表现出你所期望的能力。哪怕你给他足够的语料也无法解决精神定位问题所需要的精准的背景知识，更何况如果没有数据的支撑，这些东西也只能是一个通用的问答而已，无法根据每个现场环境的真实情况去做更为精准的判断。
在现阶段，deepseek可以为我们的DBA提供助力。通过与他对话可以节约大量的文档搜索,案例分析的工作,但是DBA还需要有强大的判断能力,否则可能无法正确的使用DeepSeek给你的帮助。
这两天事情比较多，所以今天的文章是完全用语音输入的，并没有做仔细的校对，可能会有一些错误，请大家见谅。
