最近在一个用户那里测试使用DeepSeek优化SQL的功能，因为目前的SQL优化模块还是BETA版，没有经过大量的用户现场测试，因此很多功能还不完善。在用户现场遇到问题时，通过不断调整知识图谱，就让分析结果更加精准，有些SQL的场景经过优化后效果不错，有些还差强人意，需要进一步优化。
和一个朋友网上聊了聊这件事，他说你们这个算什么AI，不就是把专家经验教给DeepSeek，让它帮你干活吗？当是我有点懵了，不知道如何回答他，于是只能换个话题来聊。
事后我想了想，似乎那位朋友的观点并没有什么道理。在AI的辅助下，能很方便地让专家的经验固化下来，变成一个工具在用户现场帮助用户解决SQL优化的问题，这样的AI应用难道没有价值吗？这些年我们一直在寻找如何表示专家经验的方法。从三十年前兴起的专家系统开始，就是希望通过软件工程把专家的能力变成系统的能力。不过这些年在把专家经验变成系统这方面遇到了比较大的瓶颈，很难再往前前进一步。
大模型的出现让这方面往前走变成了可能，以往想通过开发一套系统来实现专家能力的数字化是十分困难的。因为哪怕是同一个问题，让同一个专家来分析，可能两次分析的结论都会有所不同。发散与归纳能力在传统的信息化系统建设的模式下很容易遇到瓶颈。
推理大模型能力的不断提升为解决这些难题提供了一种新的可能性。在SQL优化辅助领域，大语言模型中已经拥有了较为丰富的基础知识，其逻辑推理能力也足够强大，因此我们只需要告诉推理大模型，遇到某些SQL的场景应该如何去查找存在问题的算子，对于不同类型的问题，该如何去处置就可以了。比如说遇到不必要的全表扫描该如何去添加索引，遇到回表IO开销过大的情况，可以通过覆盖索引去优化。实际上是把人类专家用来分析SQL和优化SQL的方法告诉大模型，让大模型依托给它的数据，像人类专家一样思考与推理，找寻答案就行了。
大多数时候，大模型也仅仅能够依靠告知它的专家经验去做重复性的工作而已，并没有表现出我们期待的特殊能力，不过这样已经足够了。能够让专家经验通过这种方式被积累下来，并且能够自动重用，已经是AI运维应用上的一个突破了。
除此之外，AI在一些复杂问题的分析归纳方面还会给我们带来更大的惊喜，利用强大的计算能力，AI推理可以先尽可能地发散，然后再尽可能地归纳，其分析和推理速度远超人类专家，同时在推理时能够充分考虑到每一个交给它的数据和证据。其推理的严密性在大多数时候已经超出了人类专家。
2025年将会是AIOPS应用大量落地的年份，越来越多的企业将会利用AI来解决一些以往比较难以解决的问题。现在已经出现了一批对AI持有极大敌意的DBA了，他们认为AI应用的普及将会危及DBA的生存。
实际上这种担忧大可不必。如果企业的数据库运维水平和运维模式依然维持现状，那么在AI应用确实可以完成很多目前DBA干的工作。只不过数据库运维工作的内容也是在不断地变化和发展的，随着数字化的不断深入，DBA的工作也必然会向着数字化转型方面发展，未来的数据库运维不会是现在这种被动运维的模式，在AI工具的辅助下，数据库运维也将会向着数字化和智能化方面深入发展下去。DBA依靠AI工具，可以把数据库运维工作做得更好，一个人可以管理和运维比现在多十倍甚至百倍的数据库。
实际上DBA作为一个职业存在也不过二十多年的历史，这二十多年里，DBA的工作也是在不断地变化的，二十年前我和一些Oracle DBA提到METALINK和STATSPACK报告的时候，他们都不知道这两个是什么玩意，现在恐怕刚刚入行的DBA也都知道MOS和AWR。未来的DBA面对AI工具也差不太多如此吧。
