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= monitor health - python -m dbskiter --output-mode=ai --database= monitor anomalies - python -m dbskiter --output-mode=ai --database= monitor capacity --resource=disk - python -m dbskiter --output-mode=ai --database= monitor collect - python -m dbskiter --output-mode=ai --database= monitor history - python -m dbskiter --output-mode=ai --database= monitor capacity-advanced --resource=disk - python -m dbskiter --output-mode=ai --database= monitor trend --metric=cpu_usage - python -m dbskiter --output-mode=ai --database= 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：

智能数据源选择

系统会根据 --database 参数自动选择最优数据源：

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

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：

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