准确的知识标注是让AI理解业务的关键

白鳝的洞穴 2025-10-28

结束两周不停的出差回到深圳，才有时间处理一些琐事，虽然是琐事，但是很重要，只是完成起来耗时不多，所以会被无限制拖延，直到无法拖延才必须找时间去完成。最近我被用AI去深度解析AWR报告这个新的想法深深吸引，没什么事情的时候都在回忆以往阅读AWR报告时的点点滴滴，在上下班路上和中午散步的时间，我只能找一部小说听着用以分心。

最近我在完成第一步总体分析的算法，通过Report Summary外加Time Model来对AWR报告进行总体分析，实际上绝大多数DBA看AWR报告也就是看看Report Summary中的一部分内容，再去看看Top SQL章节，就算把AWR大体看完了。阅读Report Summary的内容也是我阅读一份AWR的起点，不过除了这部分内容以外，我喜欢参考着Time Model一起来看，这可能是我当年在阅读Statspack报告的时候，受到了PTA工具较大的影响的原因吧。差不多20年前，我迷上了阅读Statspack报告，不过那时候国内懂Statspack的人太少，国外的社交软件和SIG也找不多几个真正懂Statspack的人，不过在Oracle内部工具里发现PTA让我兴奋异常。我把以往优化工作中遇到的各种Statspack报告上传到PTA,从生成的分析报告中学习深度理解Statspack报告分析的方法。那时候还没有Time Model这个词汇，不过PTA从Statspack中定位问题是根据这些分维度的时间占用比例的，这样的分析方法可以让分析者抓住主要矛盾，不会被某些细枝末节带歪了分析的方向。

昨天我分享了一篇关于AWR智能分析思路的文章，实际上那天加入的知识还不够准确，因此分析输出的结果也不够精准，不够稳定。昨天上午正好事情不多，我就认真优化了关于这些数据的知识标注，再结合当时我的故障处理报告来对比，发现经过优化后的工具分析出的结论越来越接近当年处置这个案例时的分析结果了。在优化知识的时候，我发现对RAC的分析总是不稳定，有时候似乎离真实情况相差甚远，于是我对RAC相关的几个等待事件的描述做了进一步优化，标注过程中甚至对某些知识点有些含糊了，于是我直接上MOS去寻找答案。MOS自从引入了AI总结之后好用了很多，检索某个问题的时候，有时候会出现AI总结，不过并不是每个问题都会出现AI总结，而且有时候AI总结也会胡说八道，不过这个新功能确实很棒。只是这个AI总结功能像段誉的六脉神剑，时有时无。

在通过MOS确认知识的时候，我甚至发现了对某几个等待事件我的理解是不够准确的，因为我以前都是通过搜索MOS，找到某些案例文档，通过学习这些文档来理解某个知识点，这种理解之中就出现了知识偏差。而这回在AI总结中，我才真正看到了与Oracle RAC内部实现原理相关的解释，一下子如遭棒喝，一下子明白了几个月前我优化这个系统的时候，并不是我真正分析清楚了这个问题，而仅仅是运气好而已。当时我建议解用户的临时解决这个RAC问题的方案是加大SGA到尽可能大的规模，暂时然后再慢慢优化存在问题的几十条SQL。当时用户的反馈是效果很好，我当时也是满脸得意。其实当时建议用户临时加大SGA的想法是通过提高DB CACHE命中率，从而降低RAC GCS的消息数量，从而优化GCS的性能。而实际上那个问题是直接与DB CACHE命中率相关的。

更新了知识之后的工具给出了十分明确的结论，数据库缓冲池正是其中被认定的问题之一。AI与人一样，错误的认知就会推导出错误的结论，不过一些泛化的思考会对思维中的错误做出弥补，在更新这个知识点之前，数据库缓冲池这个问题经常会出现在疑点中，但是很少会出现在确定问题中。而数个月前，我可能也是因为这个歪打正着，才完美地解决了用户的问题。

在AI时代，通过运气来弥补自己疏漏的几率会低很多，我们也不能把一切都寄望于运气，所以认真标注知识，才是开发出一个优秀的AI工具的关键。

文章转载自白鳝的洞穴，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

准确的知识标注是让AI理解业务的关键

评论