导读 ChatDBA 是由上海爱可生开发的一款数据库运维领域的智能辅助系统，通过对话交互，提供数据库故障诊断、专业知识学习、SQL 生成和优化等功能，旨在提升 DBA 工作效率。本文将介绍 ChatDBA 是如何利用大语言模型实现其数据库故障诊断智能助手功能的。
1. 背景介绍
2. ChatDBA 架构
3. 挑战与解决思路
4. 未来展望
分享嘉宾｜李剑楠 上海爱可生信息技术股份有限公司 高级研发工程师
编辑整理｜程思琪
内容校对｜李瑶
出品社区｜DataFun
背景介绍
输出内容泛泛，逻辑性不强：大模型生成的回答往往过于基础，缺乏实际指导意义。 故障诊断场景复杂：难以在多轮对话中保证排查逻辑的连贯性。 模型倾向问题：大模型倾向基于已有的全局信息进行推测，这与DBA 的排查思路存在差异，DBA 往往是基于现象多次检索，逐渐排查定位问题。
技术架构
环境输入处理：处理所有输入信息，并进行文本向量化、三元组抽取等操作，为模型提供输入。 模型规划：利用决策树、思维链、反思行动等结构，保证模型处理问题的逻辑性和连贯性。 工具使用：调用检索 API、监控工具接口等，增强生成内容的准确性和可靠性。
挑战与解决思路
1. 故障排查逻辑树
2. 信息检索
多路召回：结合关键词和向量检索，提升召回率。
查询重写/扩充：将用户查询细化为不同主题的子问题，扩大召回数量。
查询重写 查询扩充
多模态检索：针对不同结构数据（文本、图片、表格）进行多模态、多向量的检索。
垂直领域增强：构建特定场景的数据集，增强模型表征能力。当前行业内做向量索引和表征学习往往是在不同阶段执行，导致模型在向量空间中检索得到的结果准确率很高，但是实际应用不尽如人意，为此有部分研究者开始研究向量索引和表征学习的联合计算，解决向量检索和表征学习目标割裂的问题。
图 RAG：利用知识图谱建模实体关系，进行多跳检索。这类方法更适用于用户提问问题明确，且已具备高精度的行业知识图谱后。另外，多跳检索在大数据量的应用场景中，用户的等待时间会逐渐变得不可接受，如何进行检索调优是重点关注方向。
3. 文档处理
格式化：将工单内容格式化为故障现象、原因、排查方法和解决方案四部分。
查询重写：结合对话历史，重写查询为梳理故障现象的表达，在故障现象库中进行向量检索，从召回的工单中提取排查方法和解决方案，输送到 LLM 中作为 prompt 的一部分。为了提升模型回答的效果，我们采用了分治的思想，让模型同步分析多个文档中，每篇工单对当前问题起到了什么帮助，如果有帮助，就形成当前树结构的一个补丁，最后通过合并补丁，实现完整的排查逻辑树的生成。
首先是对工单内容做清洗，因为在一个工单中，有很多内容是与故障本身无关的，对于模型来说，就是噪音数据。 第二部分就是内容的分类和格式化。 最后我们会对格式化之后的内容打分。
4. 记忆问题
5. 意图识别
6. 可观测性和评估
7. 时间成本
8. ChatDBA 的核心特性
关键信息提取模块：从不同类型（监控图、图表、长日志、工单等）输入中提取与故障相关的信息。
SQL 优化和生成：利用 NL2SQL 技术处理 SQL 相关问题。
知识学习模块：帮助 DBA 快速学习和迭代进步。
未来展望
多模态处理：处理工单系统中的图片、日志等非文本信息，进一步提升 ChatDBA 的信息处理能力。
实时监控组件接入：支持自动化巡检、分析报表等功能，帮助 DBA 更好地掌握数据库运行状态。
知识图谱构建：构建更全面、更精准的数据库知识图谱，为 ChatDBA 提供更强大的知识支撑。
个性化推荐：根据用户历史行为和偏好，为 DBA 推荐相关学习资料和故障排查方案。
分享嘉宾
INTRODUCTION
李剑楠
上海爱可生信息技术股份有限公司
高级研发工程师
高级研发工程师，作为核心研发参与向量数据库和 RAG 项目的开发。在向量检索、RAG 相关方向发表论文两篇、专利五篇。
往期推荐
AIGC 在蚂蚁保保险领域的应用探索
Agent+RAG：基于大模型的生成式AI落地探索
百川智能：深度学习大模型推理性能优化策略
统一元数据管理 - Gravitino 在 B 站的最佳实践
大模型与行业融合：推动钢铁、医疗、教育领域的智能化变革
多模态大语言模型领域进展分享
社群推荐算法在腾讯游戏的实践
万字讲解标签体系技术|附福利
小红书去中心化内容分发技术
西门子利用 LLM 打造通用公司智能助理的实践
点个在看你最好看
SPRING HAS ARRIVED
