我准备写 26 篇文章，带 DBA 系统学一遍 AI

最近一两年，我越来越明显地感觉到，AI 已经开始进入 DBA 的日常工作。

以前遇到慢 SQL，我们会先找 SQL_ID、看执行计划、翻 AWR 和 ASH，再检查索引、统计信息和数据分布；遇到 ORA-00600、ORA-07445 这类错误，则是先看 Alert Log 和 Trace，再去 MOS 搜关键字；临时要写 Shell 或 Python，也基本是自己查文档、写脚本、测试。

现在很多事情已经变了。

SQL 看不懂，可以先让 AI 帮忙分析；Oracle 报错了，可以把错误堆栈和 Trace 交给 AI 做第一轮判断；AWR 太长，可以先让 AI 抓重点；Shell、Python 不熟，也可以让 AI 先生成一个可用框架。以前需要花不少时间整理的故障报告，现在把日志、时间线和处理过程准备好，AI 很快就能给出一份初稿。

效率确实高了，但另一个问题也越来越明显：

我们可能越来越会用 AI，却不一定真的理解 AI。

现在技术圈天天都在说 LLM、Token、Embedding、Transformer、RAG、Vector Database、Agent、MCP。每个词单独拿出来好像都见过，但只要继续往下问几层，很容易就开始模糊。

Embedding 到底是什么？为什么一句中文最后会变成一串数字？

向量数据库到底算什么数据库？它和 Oracle、MySQL 有什么区别？

RAG 为什么能让一个从来没见过公司内部资料的大模型，回答我们自己的 Oracle 故障案例？

Agent 和普通聊天机器人有什么区别？为什么加上几个 Tool 以后，它就可以开始查询数据库？

MCP 最近为什么这么火？它和 Agent、Tool Calling 又是什么关系？

再往实际工作里走一步，如果真的想做一个可以分析 SQL、读取 AWR、查询数据库状态、检索历史故障案例，甚至辅助完成数据库巡检的 AI 助手，我们到底应该学些什么？

这就是我准备写《DBA 学 AI》这个系列的原因。

DBA 学 AI，不是为了转行做算法工程师

这个系列不会教大家从头训练一个大语言模型，也不会从线性代数、概率论开始，花几十篇文章推神经网络公式。

不是这些知识不重要，而是我们的目标不一样。

算法工程师需要深入研究模型架构、训练方法、优化算法和 GPU 计算。DBA 更关心的是另一个问题：

我需要理解 AI 到什么程度，才能真正把它用到数据库运维里？

这和我们学习 Oracle 其实有点像。

DBA 不需要自己开发一个 Oracle，但 Buffer Cache、Redo、Undo、Optimizer、Lock、执行计划这些核心机制必须懂。否则真正遇到复杂问题时，只会背几个命令远远不够。

AI 也一样。

我们没必要重新造一个 GPT，但至少应该知道模型是怎么训练的，Token 和 Embedding 是什么，Transformer 为什么重要，大语言模型为什么会产生幻觉，以及 RAG、Agent、MCP 分别解决什么问题。

这些东西串起来以后，AI 才不再只是一个“帮我写一下 SQL”的聊天工具。

为什么不直接从 RAG、Agent 开始？

网上并不缺各种速成教程。

“10 分钟搭建 RAG 知识库”“30 分钟做一个 Agent”“三步接入 MCP”，跟着教程复制代码，确实很快就能把 Demo 跑起来。

问题是，系统虽然跑起来了，不代表真的明白为什么这么设计。

比如教程会告诉我们，把文档切成 Chunk，再生成 Embedding，存到 Vector Database。用户提问以后，把问题也转成向量，做 Similarity Search，取 Top K，最后把检索结果交给 LLM。

照着做不难。

但为什么不能整篇文档直接交给模型？Chunk 为什么不能越小越好？Embedding 为什么可以表示语义？为什么已经有 Vector Search，很多企业 RAG 还要同时做 Keyword Search 和 Rerank？

如果这些基础没搞清楚，系统效果不好时，很容易只剩下一种办法：换模型、换框架、换向量数据库。

这和 SQL 优化很像。

会背 Hint 不代表会 SQL 优化，会执行 CREATE INDEX 也不代表真正理解 Optimizer。遇到复杂性能问题，最后还是要回到执行计划、Cardinality、统计信息、数据分布、Bind 和等待事件。

所以这个系列不会追求“七天精通 AI”。

前面会花一些时间补基础，但也不会陷进数学推导里。我的目标很简单：

原理理解到足以支撑工程判断，代码学习到能够把东西真正做出来。

这套内容从哪里来？

前半部分我会参考 Microsoft 开源的 AI-For-Beginners。

这套课程本身比较完整，覆盖 AI 基础、神经网络、深度学习、PyTorch、Computer Vision、NLP 等内容。

但原课程面向的是通用 AI 初学者，如果 DBA 完全照着学，有些内容投入产出比并不高。

所以我会按照 DBA 的实际需求重新整理。

Computer Vision、CNN、AutoEncoder 这类内容会大幅压缩；和数据库智能运维关系更直接的 NLP、Token、Embedding、Transformer 会重点保留。

在此基础上，再补充今天做 AI 应用绕不开的 LLM、RAG、Vector Database、Agent、Tool Calling 和 MCP。

最后再把这些能力真正接到数据库上。

所以这不是 AI-For-Beginners 的中文版，也不是简单翻译。

我更愿意把它理解成：

AI for DBA

一条专门给数据库工程师重新整理过的 AI 学习路线。

这 26 篇，我们会学什么？

整个系列暂定 26 篇。

第一部分：AI 基础

01｜DBA 为什么现在必须学一点 AI？

02｜AI、机器学习、深度学习、大模型到底是什么关系？

03｜AI 到底是怎么“学会”东西的？

04｜神经网络到底是什么？

05｜AI 为什么会犯错？Loss、训练和梯度下降

06｜训练集、测试集和过拟合到底是什么？

07｜PyTorch 是什么？DBA 需要学吗？

第二部分：从 NLP 到大语言模型

08｜计算机是怎么理解文字的？

09｜Token 到底是什么？为什么大模型按 Token 收费？

10｜Embedding 到底是什么？为什么文字可以变成向量？

11｜Transformer 为什么改变了 AI？Attention 到底是什么？

12｜大语言模型到底怎么工作的？为什么它本质上是在预测下一个 Token？

第三部分：从 LLM 到企业 AI 应用

13｜DBA 应该怎么写 Prompt？别再只会说“帮我优化一下 SQL”

14｜为什么 ChatGPT 不知道公司的数据库问题？

15｜RAG 到底是什么？为什么它特别适合 DBA？

16｜向量数据库到底是什么？和 Oracle、MySQL 有什么区别？

17｜动手做一个自己的 DBA 私有知识库

第四部分：从 RAG 到 Agent

18｜AI Agent 到底是什么？为什么它不只是聊天机器人？

19｜Tool Calling 是什么？让 AI 真正查询数据库

20｜MCP 到底是什么？为什么 DBA 应该关注？

21｜开始做自己的 DBA Agent

第五部分：DBA + AI 实战

22｜做一个 SQL Copilot，让 AI 自动分析慢 SQL

23｜让 AI 自动分析 AWR，到底应该怎么做？

24｜让 AI 自动分析数据库告警

25｜让 AI 自动做数据库巡检

26｜AI + DBA，数据库运维以后会变成什么样？

最后想做出什么？

如果只是看完 26 篇文章，记住几十个 AI 名词，我觉得意义不大。

这个系列最后还是要落到一个实际项目上：

DBA AI Copilot

我希望它最终能够使用我们自己的 DBA 知识库，查询 Oracle 和 MySQL 的实时状态，读取监控数据，分析 SQL 和 AWR，再结合历史故障案例给出分析建议。

比如以后遇到一个数据库性能问题，不再需要 DBA 先手工执行十几条 SQL，把结果复制出来，再一段一段交给 AI。

我们只需要告诉它：

帮我检查一下 PRODDB 为什么慢。

剩下的数据收集工作由系统完成。

它可以先查看数据库整体负载和等待事件，再根据现场情况决定是否继续检查 Top SQL、阻塞、执行计划或者历史 AWR，同时查询内部知识库里有没有类似事故。

最后把现象、证据、判断和建议整理好交给 DBA。

这里有一个边界必须说清楚：

AI 负责辅助分析，DBA 负责最终判断。

尤其是生产环境。

Kill Session、修改参数、扩容、切换主备这类高风险动作，不应该因为接入 Agent 就直接交给 AI 自动执行。

至少在这个系列里，我们首先追求的是让 AI 看得见、查得到、分析得出来，而不是让它拥有无限生产权限。

为什么我觉得 DBA 特别适合学这一套？

因为 DBA 手里其实有很多 AI 真正需要的东西：

AWR、ASH、SQL、执行计划、Alert Log、巡检数据、监控指标、故障案例、SOP、备份记录。

这些本身就是高质量的专业 Context。

而且 DBA 还知道哪些指标真正重要，什么 SQL 可以执行，什么操作有风险，一个故障应该按什么顺序排查。

这些经验不是装一个大模型就自动拥有的。

所以我越来越觉得，真正值得讨论的并不是“AI 会不会替代 DBA”，而是：

一个真正懂数据库的 DBA，如果再掌握 AI，会把数据库运维变成什么样？

这也是接下来 26 篇文章真正想回答的问题。

下一篇正式开始：

《DBA 学 AI（01）：DBA 为什么现在必须学一点 AI？》