Как мы автоматизировали контроль баз данных с помощью ИИ-агента

Регулярный контроль состояния баз данных отнимает у DBA много рабочего времени большая часть которого это не технический анализ, а рутинные операции: последовательно подключаться к базам, выполнять набор SQL-запросов, собирать показатели, сопоставлять их с предыдущими результатами и определять, есть ли проблемы, требующие внимания.

В одном из внутренних проектов CosySoft мы решили проверить, насколько эту рутинную работу можно передать ИИ-агенту.

В результате получили инструмент, который самостоятельно подключается к базе данных и выполняет необходимые проверки. При этом агент не просто проводит стандартную диагностику, но и может анализировать показатели и расследовать обнаруженную проблему.

Как мы упоминали, работа с базами данных включает большое количество повторяющихся операций. В нашем сценарии у специалиста в зоне ответственности находится около 8 баз данных. Для регулярной проверки состояния БД он использует порядка 10 SQL-запросов, которые позволяют извлекать технические показатели и оценивать, есть ли проблемы или всё работает штатно.

Каждый из SQL-запросов показывал определенный параметр работы базы, но сами цифры не давали полной картины. После выполнения запросов мы интерпретировали и сопоставляли результаты и только потом делали вывод о состоянии системы.

Мы решили, что задача хорошо подходит для автоматизации: понятная последовательность действий, готовый набор проверок, а оценку результатов можно реализовать через правила и наложения опыта DBA специалиста.

Вместо создания отдельного приложения с нуля мы передали “полномочия” ИИ-агенту и обучили его методике проверок баз данных. ИИ-агент для DBA умеет не только собирать метрики, но и формировать отчеты.

Для этого мы описали, какие SQL-запросы необходимо выполнять, на какие показатели обращать внимание и какие выводы можно делать на основании полученных данных. На этой основе вместе с ИИ была сформирована инструкция агента и структура итогового отчета.

Процесс дорабатывался итерационно. Сначала агент выполнял базовый набор действий, после чего мы проверяли результаты и корректировали инструкции. Отдельно была сформирована структура отчета, которая должна была быть удобной для дальнейшего анализа.

Так опыт нашего DBA специалиста был переведен из последовательности ручных действий в автоматизированный сценарий для ИИ-агента. Цифровой помощник начал работать на компанию.

После запуска ИИ-агент самостоятельно подключается к базе данных и выполняет необходимые SQL-запросы. При этом он не ограничивается механическим выполнением заранее заданного набора команд. Если для анализа определенного показателя требуется дополнительная проверка, агент может самостоятельно выполнить дополнительные запросы, чтобы уточнить ситуацию.

Результаты он собирает в единый текстовый отчет в формате Markdown.

В отчете формируется сводка по состоянию базы, ключевые метрики, динамика по сравнению с предыдущими отчётами и рекомендации. Используется маркировка проблемных зон цветами "красное/жёлтое/зелёное" - “проблема/внимание/норма”. При этом часть норм и порогов для показателей задаётся вручную, а часть опирается на типовые общепринятые значения.

Есть и работа с историческими отчетами. Предыдущие результаты сохраняются в отдельной папке, и при формировании нового отчета ИИ-агент учитывает их. Специалист получает не только текущий снимок состояния базы, но и может увидеть динамику.

Например, если показатель месяц назад находился в норме, а сейчас существенно изменился, это становится отдельным поводом для внимания и дополнительного расследования.

Одна из особенностей решения - это умение агента проводить глубокие расследования на базе собранного отчета. Например, специалист обнаружил в отчете показатель, который требует дополнительного внимания. Тогда он запускает второй сценарий работы агента и просит исследовать конкретную проблему.

ИИ-агент самостоятельно углубляется в анализ, выполняет дополнительные запросы к базе и ищет возможные причины обнаруженного отклонения. В результате у нас есть не только данные об отклонении, но и список возможных причин плюс подсказки для дальнейшего решения.

То есть система работает на двух уровнях: помогает быстро оценить состояние базы, а при необходимости детально исследует конкретные проблемы.

Самый классный эффект автоматизации - запуск параллельной работы. Раньше базы анализировались последовательно: специалист завершал проверку одной базы и после этого переходил к следующей.

С ИИ-агентом можно запустить несколько баз данных для анализа одновременно. Каждый агент работает со своей базой, пока специалист занимается другими задачами. После завершения остается изучить готовые отчеты и сосредоточиться на тех участках, где обнаружены отклонения.

Для инфраструктуры, в которой необходимо регулярно контролировать несколько баз данных, такой подход позволяет изменить саму организацию работы: специалист тратит меньше времени на сбор информации и больше на ее интерпретацию, принятие решений и устранение проблем.

Как же агент определяет, где проблема в отчете? Для разных метрик существуют допустимые значения и пороговые показатели. Часть правил основана на типовых нормах и требованиях к базам данных, а часть мы задаем самостоятельно с учетом особенностей проекта.

В отчете состояние показателей визуально разделяется по степени внимания. Нормальные значения отмечаются зеленым, показатели, приближающиеся к проблемной зоне, желтым, а критические отклонения - красным. так удобнее ориентироваться в большом объеме технических данных и выделять критические показатели, которые требуют мер.

Автоматизация это хорошо, но результаты агента нельзя принимать без проверки. В процессе эксплуатации выяснилось, что ИИ-агент для DBA иногда может неправильно анализировать отдельные показатели или делать ошибочные выводы. Поэтому итоговый отчет используется как удобный инструмент, но не как последний источник истины.

Работая на проектах, DBA уже обладает знаниями о конкретных базах, их структуре, особенностях и известных проблемах. Этот опыт позволяет быстро проверить выводы агента и отличить действительно значимое отклонение от ошибочной интерпретации.

Ценность решения заключается не в попытке полностью заменить эксперта, а в том, чтобы убрать значительную часть рутинной работы и предоставить специалисту уже обработанную информацию.

Главная особенность этого решения заключается в том, что мы автоматизировали не просто выполнение SQL-запросов. В ИИ-агента заложили логику пошаговой работы специалиста DBA:

• какие данные получить,
• как их интерпретировать,
• на что обратить внимание,
• когда провести дополнительную проверку?
• как представить результат.

Регулярная стандартная процедура была превращена в воспроизводимый сценарий при этом решение постепенно дорабатывалось вместе со специалистом, а не сразу стало универсальным мониторингом для БД. Мы использовали возможности современных ИИ-агентов для выполнения рутинных операций.

В результате автоматизации время анализа одной базы данных сократилось примерно в пять раз: вместо 2–3 часов на одну проверку теперь требуется около 30 минут на анализ и проверку готового результата.

При этом изменился и сам процесс работы. Агент берет на себя выполнение SQL-запросов, первичный анализ показателей, поиск дополнительных данных, подготовку отчета и сравнение с предыдущими результатами. Специалист получает готовую структуру, в которой уже выделены ключевые показатели, динамика и потенциальные проблемы. Так повышается пропускная способность DBA без расширения команды.

В результате получился инструмент для автоматизации анализа баз данных, который может регулярно проверять состояние баз данных, работать с историей наблюдений, самостоятельно углубляться в обнаруженные проблемы и сэкономить специалисту часы работы, которые он может использовать для оптимизации других процессов.