database-agent

name	database-agent
description	本技能应用于 Java 后端开发场景中的数据库操作。提供慢 SQL 智能分析、表结构规范巡检、安全数据订正与测试数据自动生成的自动化辅助能力。当用户请求数据库优化、schema 验证、安全数据更新或需要为数据库生成测试数据时使用此技能。

Database Agent 数据库智能助手

概述

本技能为 Java 后端开发提供智能数据库辅助能力，支持慢 SQL 分析、表结构规范巡检、安全数据订正和测试数据生成等自动化功能。可自动识别索引缺失、全表扫描、字段不规范等问题，生成优化建议与修复脚本；在数据订正时自动校验风险，防止无 WHERE 条件更新删除；并根据表结构智能生成业务合规的测试数据，大幅提升数据库开发与维护效率。

核心能力

1. 慢 SQL 分析

何时使用： 用户报告慢查询、性能问题或需要 SQL 优化时。

功能特性：

• 解析 SQL 执行计划，识别性能瓶颈
• 检测全表扫描、缺失索引和低效 JOIN
• 分析慢查询日志，定位问题查询
• 生成优化建议和索引创建脚本

使用方法：

1. 使用 scripts/analyze_slow_sql.py 分析 SQL 语句或执行计划
2. 参考 references/sql_optimization_rules.md 了解优化模式
3. 生成包含具体建议的报告

示例场景：

• "分析这条慢 SQL：SELECT * FROM orders WHERE user_id = ?"
• "优化这个执行太慢的查询"
• "查找这个查询为什么做全表扫描"

2. 表结构规范巡检

何时使用： 用户需要根据最佳实践和标准验证数据库 schema 时。

功能特性：

• 检查字段命名规范（snake_case、无保留字）
• 验证数据类型和长度
• 检测缺失的主键或索引
• 识别不合规的默认值或可空字段
• 生成规范报告和修复脚本

使用方法：

1. 使用 scripts/check_schema_compliance.py 检查表结构
2. 参考 references/database_standards.md 了解规范规则
3. 使用 scripts/generate_report.py 导出结果到 Excel 报告

示例场景：

• "检查这个表结构是否符合最佳实践"
• "验证我们的数据库 schema 是否符合标准"
• "为所有表生成规范报告"

3. 安全数据订正

何时使用： 用户需要安全地执行批量数据更新或删除时。

功能特性：

• 验证 UPDATE/DELETE 语句的安全风险
• 检测缺失的 WHERE 子句（防止全表更新/删除）
• 识别危险操作（如更新主键）
• 要求对高风险操作进行确认
• 生成备份和回滚脚本

使用方法：

1. 使用 scripts/validate_data_correction.py 检查 SQL 安全性
2. 参考 references/safe_operation_guidelines.md 了解风险模式
3. 执行前必须生成回滚脚本

示例场景：

• "将所有用户状态更新为激活"
• "删除 1 年前的记录"
• "帮我安全地订正这些数据"

关键安全规则：

• 永远不要执行没有 WHERE 子句的 UPDATE/DELETE
• 始终生成备份脚本
• 对影响超过 1000 行的操作要求明确确认
• 记录所有数据订正操作

4. 测试数据生成

何时使用： 用户需要用真实数据填充测试环境时。

功能特性：

• 根据表结构智能生成测试数据
• 遵循外键关系
• 支持自定义数据模式（邮箱、电话、日期）
• 生成业务合规数据（如有效的订单金额、真实的姓名）
• 按正确的依赖顺序创建数据

使用方法：

1. 使用 scripts/generate_test_data.py 创建测试数据
2. 参考 references/test_data_patterns.md 了解数据生成规则
3. 通过 JSON 配置文件配置数量和模式

示例场景：

• "为数据库生成 1000 个测试用户"
• "创建包含真实数据的样本订单"
• "用样本数据填充测试环境"

工作流程

SQL 分析任务

1. 接收 SQL 语句或执行计划
2. 运行 scripts/analyze_slow_sql.py 识别问题
3. 生成优化建议
4. 可选地创建索引创建脚本

Schema 验证任务

1. 连接数据库或接收 DDL 语句
2. 运行 scripts/check_schema_compliance.py
3. 生成规范报告
4. 可选地生成修复脚本

数据订正任务

1. 接收 UPDATE/DELETE SQL 语句
2. 运行 scripts/validate_data_correction.py 进行安全检查
3. 如果安全，生成备份脚本
4. 要求用户确认
5. 执行并记录日志

测试数据生成任务

1. 接收表结构或连接数据库
2. 配置数据模式和数量
3. 运行 scripts/generate_test_data.py
4. 按依赖顺序生成 INSERT 语句

资源

scripts/ 脚本目录

• analyze_slow_sql.py - 分析 SQL 性能并生成优化建议
• check_schema_compliance.py - 根据标准验证表结构
• validate_data_correction.py - 验证数据修改操作的安全性
• generate_test_data.py - 根据表结构生成智能测试数据
• generate_report.py - 导出分析结果到 Excel 格式
• database_connector.py - JDBC 数据库连接工具

references/ 参考文档

• sql_optimization_rules.md - SQL 优化最佳实践和模式
• database_standards.md - 数据库命名约定和设计标准
• safe_operation_guidelines.md - 数据操作的风险模式和安全规则
• test_data_patterns.md - 数据生成模式和业务规则

assets/ 资产文件

• compliance_rules.json - 可配置的规范规则定义
• test_data_config.json - 测试数据生成配置模板
• report_template.xlsx - 规范报告的 Excel 报告模板

重要提示

• 执行数据库操作前始终验证用户权限
• 记录所有操作以便审计追踪
• 为任何数据修改生成回滚脚本
• 首先在非生产环境中测试生成的脚本
• 遵守数据库连接限制和查询超时
• 对大数据量使用批量操作