db-monitor

name

db-monitor

description

数据库健康监控，支持健康检查、异常检测、容量预测、趋势分析、基线对比。 智能数据源选择： - Oracle 数据库自动使用 Zabbix 监控 - MySQL 数据库优先使用直连，其次使用 Prometheus - 支持 Z 系列资产组（如 Z18, Z5）自动识别 使用场景： - 用户说"检查健康" -> 执行 health - 用户说"有异常吗" -> 执行 anomalies - 用户说"容量够吗" -> 执行 capacity - 用户说"采集指标" -> 执行 collect - 用户说"看历史" -> 执行 history - 用户说"高级容量预测" -> 执行 capacity-advanced - 用户说"趋势分析" -> 执行 trend - 用户说"基线对比" -> 执行 compare 用法： - python -m dbskiter --output-mode=ai --database=<name> monitor health - python -m dbskiter --output-mode=ai --database=<name> monitor anomalies - python -m dbskiter --output-mode=ai --database=<name> monitor capacity --resource=disk - python -m dbskiter --output-mode=ai --database=<name> monitor collect - python -m dbskiter --output-mode=ai --database=<name> monitor history <metric> - python -m dbskiter --output-mode=ai --database=<name> monitor capacity-advanced --resource=disk - python -m dbskiter --output-mode=ai --database=<name> monitor trend --metric=cpu_usage - python -m dbskiter --output-mode=ai --database=<name> monitor compare --metric=qps --value=1250 --baseline=2026-04-01

数据库监控 Skill

安全原则

本Skill的所有操作均为只读查询，不会修改任何数据：

规则	说明
只读操作	监控命令只执行SELECT/SHOW等查询操作
禁止写操作	不得通过监控命令执行DELETE/UPDATE/INSERT/DROP等写操作
容量预测仅供参考	capacity预测结果不自动触发扩容操作

智能数据源选择

系统会根据 --database 参数自动选择最优数据源：

数据库类型	识别规则	数据源优先级
Oracle	Z 系列资产组（Z18, Z5等）或 KF 系列	Zabbix
MySQL	其他名称	直连数据库 > Prometheus
SQL Server	其他名称	直连数据库 > Prometheus

示例:

# Oracle 数据库（自动使用 Zabbix）
python -m dbskiter --output-mode=ai --database=Z18 monitor health
python -m dbskiter --output-mode=ai --database=Z5 monitor capacity --resource=disk

# MySQL 数据库（优先直连，其次 Prometheus）
python -m dbskiter --output-mode=ai --database=jump monitor health
python -m dbskiter --output-mode=ai --database=prod monitor anomalies

# SQL Server 数据库（优先直连）
python -m dbskiter --output-mode=ai --database=mssql monitor health
python -m dbskiter --output-mode=ai --database=mssql monitor capacity --resource=disk

数据库支持

数据库	健康检查	异常检测	容量预测	指标采集	状态
MySQL	支持	支持	支持	支持	生产就绪
Oracle	支持	支持	支持	支持	生产就绪
PostgreSQL	支持	支持	支持	支持	生产就绪
SQL Server	支持	支持	支持	支持	生产就绪
ClickHouse	支持	支持	支持	支持	生产就绪
SQLite	支持	支持	支持	支持	生产就绪

SQLite 特有指标：

• 存储：数据库文件大小、空闲页面数
• 缓存：缓存大小（页面数）
• 配置：日志模式（journal_mode）、同步模式（synchronous）
• 文件：WAL文件大小

ClickHouse 特有指标：

• 吞吐量：QPS（基于query_log）、查询类型分布
• 连接：活跃连接数（system.processes）
• 查询性能：慢查询数、平均/最大查询时间
• 资源：内存使用（system.processes）
• MergeTree：活跃parts数、总行数、数据大小
• 复制：复制队列大小、复制延迟（Replicated表）

SQL Server 特有指标：

• 吞吐量：Batch Requests/sec, Transactions/sec
• 连接：User Connections, Active Sessions
• 查询性能：Cache Hit Ratio, Compilations/sec
• 锁：Lock Waits/sec, Lock Timeouts/sec
• 缓冲：Buffer Cache Hit Ratio, Page Life Expectancy
• IO：Disk Read/Write Latency, IO Stalls
• 内存：Memory Grants Pending, Target Server Memory
• 事务：Active Transactions, Oldest Transaction

何时使用

当用户提到以下关键词时，使用此skill：

用户说法	执行命令	说明
"检查健康"	python -m dbskiter --output-mode=ai --database=<name> monitor health	整体健康评分
"批量检查健康"	python -m dbskiter --output-mode=ai monitor health-all	检查所有数据库
"有异常吗"	python -m dbskiter --output-mode=ai --database=<name> monitor anomalies	检测异常指标
"容量够吗"	python -m dbskiter --output-mode=ai --database=<name> monitor capacity	容量预测
"采集数据"	python -m dbskiter --output-mode=ai --database=<name> monitor collect	采集当前指标
"看历史"	python -m dbskiter --output-mode=ai --database=<name> monitor history <指标>	查看指标历史
"高级容量预测"	python -m dbskiter --output-mode=ai --database=<name> monitor capacity-advanced	多算法容量预测
"趋势分析"	python -m dbskiter --output-mode=ai --database=<name> monitor trend	指标趋势分析
"基线对比"	python -m dbskiter --output-mode=ai --database=<name> monitor compare	与历史基线对比

核心命令

1. 健康检查

python -m dbskiter --database=<数据库名> monitor health

功能：整体健康评分和状态检查

2. 批量健康检查

python -m dbskiter monitor health-all

功能：批量检查所有配置的数据库健康状态

3. 异常检测

python -m dbskiter --database=<数据库名> monitor anomalies

功能：检测异常指标

可选参数：

• --hours：检测时间范围（小时，默认1）

4. 容量预测

python -m dbskiter --database=<数据库名> monitor capacity --resource=disk

功能：预测资源容量使用情况

可选参数：

• --resource：资源类型（disk/memory/connections，默认disk）
• --days：预测天数（默认30）
• --source：数据来源（auto/prometheus/zabbix/internal，默认auto）

5. 指标采集

python -m dbskiter --database=<数据库名> monitor collect

功能：采集当前指标数据

可选参数：

• --metrics：指定指标（逗号分隔）
• --source：数据来源（auto/prometheus/zabbix/internal，默认auto）

6. 历史查询

python -m dbskiter --database=<数据库名> monitor history cpu_usage

功能：查看指标历史数据

参数：

• metric（必需）：指标名称

可选参数：

• --hours：查询小时数（默认24）

7. 高级容量预测

python -m dbskiter --database=<数据库名> monitor capacity-advanced --resource=disk

功能：使用多算法进行更精确的容量预测

可选参数：

• --resource：资源类型（disk/memory/connections/cpu/qps，默认disk）
• --days：预测天数（默认30）

输出示例：

{
  "algorithm": "linear_regression",
  "confidence": 0.85,
  "predictions": {
    "7d": 68.5,
    "30d": 75.2,
    "90d": 88.5
  },
  "days_to_threshold": 45,
  "recommendation": "建议在45天内扩容"
}

8. 趋势分析

python -m dbskiter --database=<数据库名> monitor trend --metric=cpu_usage

功能：分析指标变化趋势

参数：

• --metric（必需）：指标名称

可选参数：

• --days：分析天数（默认7）

输出示例：

{
  "trend_direction": "degrading",
  "current_value": 75.5,
  "historical_avg": 65.2,
  "change_percent": 15.8,
  "recommendation": "CPU使用率呈恶化趋势，建议关注"
}

9. 基线对比

python -m dbskiter --database=<数据库名> monitor compare --metric=qps --value=1250 --baseline=2026-04-01

功能：对比当前性能与历史基线

参数：

• --metric（必需）：指标名称
• --value（必需）：当前值
• --baseline（必需）：基线日期（YYYY-MM-DD格式）

输出示例：

{
  "current_value": 1250,
  "baseline_value": 1000,
  "change_percent": 25.0,
  "severity": "normal",
  "message": "QPS较基线上升25.0%，在正常范围内"
}

AI决策流程

场景1：用户说"检查数据库健康"

步骤1：执行 python -m dbskiter --database=<name> monitor health
步骤2：解读健康评分和各项指标
步骤3：如果有异常，建议执行 diagnose realtime 进一步诊断

场景2：用户说"容量够吗"

步骤1：执行 python -m dbskiter --database=<name> monitor capacity
步骤2：查看容量预测结果
步骤3：如果预测短期内将满，建议扩容

场景3：用户说"看看CPU趋势"

步骤1：执行 python -m dbskiter --database=<name> monitor trend --metric=cpu_usage --days=7
步骤2：分析趋势方向和变化幅度
步骤3：给出趋势解读和建议