- name
- db-monitor
- description
- |
数据库监控 Skill
智能数据源选择
系统会根据 --database 参数自动选择最优数据源：
| 数据库类型 | 识别规则 | 数据源优先级 |
|---|---|---|
| Oracle | Z 系列资产组（Z18, Z5等）或 KF 系列 | Zabbix |
| MySQL | 其他名称 | 直连数据库 > Prometheus |
示例：示例:
# Oracle 数据库（自动使用 Zabbix）
dbskiter --output-mode=ai --database=Z18 monitor health
dbskiter --output-mode=ai --database=Z5 monitor capacity --resource=disk
# MySQL 数据库（优先直连，其次 Prometheus）
dbskiter --output-mode=ai --database=jump monitor health
dbskiter --output-mode=ai --database=prod monitor anomalies何时使用
当用户提到以下关键词时，使用此skill：
| 用户说法 | 执行命令 | 说明 |
|---|---|---|
| "检查健康" | dbskiter --output-mode=ai --database=<name> monitor health | 整体健康评分 |
| "有异常吗" | dbskiter --output-mode=ai --database=<name> monitor anomalies | 检测异常指标 |
| "容量够吗" | dbskiter --output-mode=ai --database=<name> monitor capacity | 容量预测 |
| "来源资料" | dbskiter --output-mode=ai --database=<name> monitor collect | 整理当前指标 |
| "看历史" | dbskiter --output-mode=ai --database=<name> monitor history <指标> | 查看指标历史 |
| "高级容量预测" | dbskiter --output-mode=ai --database=<name> monitor capacity-advanced | 多算法容量预测 |
| "趋势分析" | dbskiter --output-mode=ai --database=<name> monitor trend | 指标趋势分析 |
| "基线对比" | dbskiter --output-mode=ai --database=<name> monitor compare | 与历史基线对比 |
核心命令（8个）
高级功能（新增）
6. 高级容量预测
dbskiter --output-mode=ai --database=<数据库名> monitor capacity-advanced --resource=disk特点：
- 自动选择最佳预测算法（线性回归、移动平均、指数平滑、多项式拟合）
- 提供置信度评估
- 更精确的预测结果
输出：
{
"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"
}7. 趋势分析
dbskiter --output-mode=ai --database=<数据库名> monitor trend --metric=cpu_usage --days=7适用场景：
- 分析指标变化趋势
- 对比当前值与历史平均值
- 判断性能是改善还是恶化
输出：
{
"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"
}8. 基线对比
dbskiter --output-mode=ai --database=<数据库名> monitor compare --metric=qps --value=1250 --baseline=2026-04-01适用场景：
- 对比当前性能与历史基线
- 评估优化效果
- 检测性能退化
输出：
{
"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"
}9. 性能退化检测
dbskiter --output-mode=ai --database=<数据库名> monitor degradation适用场景：
- 自动检测所有性能退化指标
- 与db-diagnose性能快照集成
输出：
{
"degradation_count": 2,
"degradations": [
{
"metric_type": "cpu_usage",
"change_percent": 30.5,
"severity": "warning"
}
]
}1. 健康检查
dbskiter --database=<数据库名> monitor health输出：总体评分、各组件状态、关键指标
评分标准：
- 90-100：优秀 [OK]
- 70-89：良好 [WARN]
- <70：需要关注 [CRITICAL]
2. 异常检测
dbskiter --database=<数据库名> monitor anomalies默认行为：检测所有指标的异常
输出：异常列表、严重程度、建议
3. 容量预测
dbskiter --database=<数据库名> monitor capacity --resource=disk可选资源：
disk：磁盘空间memory：内存使用connections：连接数
输出：当前使用率、预测值、剩余天数、风险等级
4. 整理指标
dbskiter --database=<数据库名> monitor collect默认行为：整理所有核心指标
可选参数：
--metrics=qps,connections：只整理指定指标
5. 查看历史
dbskiter --database=<数据库名> monitor history connections_active --hours=24输出：历史指标数据、趋势图表
AI决策流程
场景1：用户说"检查数据库健康"
步骤1：执行 dbskiter --database=<name> monitor health
步骤2：解读健康评分和状态
步骤3：如果有问题，执行 dbskiter --database=<name> monitor anomalies
步骤4：总结给用户场景2：用户说"磁盘还够用吗"
步骤1：执行 dbskiter --database=<name> monitor capacity --resource=disk
步骤2：解读当前使用率和预测
步骤3：如果接近阈值，给出扩容建议场景3：用户说"看看有没有异常"
步骤1：执行 dbskiter --database=<name> monitor anomalies
步骤2：列出发现的异常
步骤3：对严重异常，建议进一步诊断