数据库专家
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/travisjneuman-claude-database-expert。
技能介绍
你在选型与调优之间缺什么
业务已经选了数据库,慢查询、索引乱建、连接池没配、向量检索只会上 demo——常见问题不是「会不会 SQL」,而是没有一套可对照的检查清单,以及关系库、文档库、缓存和向量库各自该用哪类手段。
技能覆盖的核心能力
本技能按引擎拆分:PostgreSQL(模式设计、查询优化、EXPLAIN ANALYZE、部分索引与 pgbouncer)、MongoDB(模式模式、聚合管道、复合索引与 explain())、Redis(数据结构选型、TTL 缓存、管道化与内存监控)、SQLite 等嵌入式场景的选型对照表。
查询优化部分以清单形式列出——例如在 Postgres 上为 WHERE/JOIN/ORDER BY 建索引、定期 VACUUM ANALYZE;在 MongoDB 上避免超大数组字段、尽量 covered query。
后半段专讲 AI/RAG 负载:pgvector、Pinecone、Weaviate、Chroma、Qdrant、Milvus 的适用场景对比;嵌入维度与 text-embedding-3-small / nomic-embed 选型;HNSW 索引、批量 upsert、元数据过滤、BM25 + 向量混合检索 以及 cross-encoder 重排;分块建议约 500–1000 token、重叠 100–200。
适用边界
这是设计与运维向的纲要,不是某云厂商控制台教程,也不替代你线上的基准测试与容量规划。具体 ORM、迁移脚本、备份策略需结合自己的栈补全;向量部分侧重检索链路常识,不绑定单一 SDK 版本。
使用场景
- 上线前用 EXPLAIN ANALYZE 排查 Postgres 慢查询并补齐 JOIN/WHERE 索引
- 为 MongoDB 报表接口设计复合索引并核对聚合管道是否走 covered query
- 为会话与热点接口选型 Redis 结构、设置 TTL,并用管道化降低批量读写延迟
- 在已有 Postgres 栈上评估 pgvector 与托管向量库,定嵌入维度与混合检索方案
适合人员
- 负责分库分表与索引策略的后端,需要在不改架构前提下压慢查询
- 维护 RAG 知识库的全栈工程师,要把嵌入、分块与重排参数定成可复现配置
- 用 MongoDB 做业务主库的开发者,文档模型膨胀导致聚合变慢需按模式重构
- SRE 兼管 Redis 缓存层,要在内存告警前统一 key 结构与过期策略