ChatDBA:數據庫根因分析智能助手的實踐與應用背景介紹ChatDBA架構挑戰與解決思路未來展望01背景介紹Text-

to-SpeechSpeech-To-TextTRANSLATIONDOC

PARSINGTEXT/

NLPGeneral

OCRResumeInvoice/Receipt/IDArtificia

I

IntelligenceAPIs

Landscape

-

January

2023GENERATIVE

AISPEECHVISION可以完成基本問答，但對DBA的日常工作實際價值不大答案很泛泛，邏輯不夠強。雖然沒錯誤，但對實際工作指導性不大故障診斷場景中一個故障現象可能對應多個故障原因，不同的原因又有不同的排查手法和解決方案大模型傾向基于已有的信息推測所有的可能結果，和DBA的工作習慣并不相同ChatDBA

是一款基于大模型的智能數據庫助手。通過對話交互的方式進行數據庫故障診斷、數據庫專業知識學習、SQL

生成與SQL優化等功能，大幅提升數據庫從業者工作效率。無論中小企業還是大型組織，ChatDBA

都能提供強大的數據庫支持，確保業務平穩高效運行。02技術架構03挑戰與解決思路ChatDBA

技術挑戰：多輪交互中的排查邏輯ChatDBA

技術挑戰：故障診斷樹的準確性xx故障工單一、故障現象描述數據庫報錯Error2002:xxxxxx二、

故障排查、解決方法1.可能原因:數據庫server處于宕機狀態2.排查xxxxx3.修改xxx解決三、復盤總結Error2002表示xxxx，本單通過排查xxx解決問題根據參考資料生成Error

2002的故障排查樹ChatDBA

技術挑戰：信息檢索ChatDBA

技術挑戰：信息檢索關鍵字和向量檢索各從不同角度處理搜索，二者功能互補。向量檢索通過語義匹配，對拼寫錯誤、同義詞和措辭差異具有較強的魯棒性，且能適用于跨語言搜索。關鍵字搜索憑借直接匹配，能夠有效識別并優先處理文本中的特定重要單詞。ChatDBA

技術挑戰：信息檢索ChatDBA

技術挑戰：信息檢索ChatDBA

技術挑戰：信息檢索ChatDBA

技術挑戰：文檔處理摘要拆分ChatDBA

技術挑戰：文檔處理ChatDBA

技術挑戰：文檔處理ChatDBA

技術挑戰：多輪交互ChatDBA

技術挑戰：長短時記憶自信息壓縮:自信息是信息論中的一個概念,用于量化某個特定事件發生的信息量。自信息的大小與事件發生的概率成反比,即一個事件發生的概率越小,該事件的自信息就越大。這意味著,如果一個事件總是發生,那么它并不提供任何新的信息。因此,我們可以利用自信息來識別prompt中的關鍵信息,將其保留下來,而忽略那些不提供新信息的部分。Question-Aware

Coarse-Grained

Compression

問題感知的粗粒度壓縮。不再單獨查看每個文檔,而是檢查每個文檔與問題的關聯性。Question-Aware

Fine-Grained

Compression問題感度的細粒度壓縮Subsequencerecovery子序列恢復ChatDBA

技術挑戰：意圖識別ChatDBA

技術挑戰：問題延伸ChatDBA

技術挑戰：長流水線的弊端ChatDBA

技術挑戰：時間成本ChatDBA

技術挑戰：系統評估ChatDBA

技術挑戰：系統評估ChatDBA

的核心特性ChatDBA

的核心特性ChatDBA

的核心特性Chat