MySQL分析：使用AI驱动的CLI工具
本文是 https://anothermysqldba.blogspot.com/2025/07/mysql-analysis-with-ai-powered-cli-tool.html 的中文翻译版。
作为MySQL DBA，我们经常在Linux终端窗口中工作。我们也喜欢可用的免费选项。这篇文章展示了一种方法，让我们可以在终端窗口中使用AI驱动的工具。你可以更新使用其他直接的AI提供商，但我将此示例设置为使用aimlapi.com，因为它免费提供有限使用的多个AI模型到你的终端，或者以很低的成本进行更多测试。
注：我不是AIMLAPI的付费发言人或任何其他身份 - 这只是一个简单的例子来突出这个想法。
问题
你正在查看一个有数百个表的遗留数据库，每个表都有复杂的关系和多年前做出的可疑设计决策。通常的过程包括：
- 手动架构检查
- 交叉引用文档（如果存在）
- 运行多个EXPLAIN查询
- 查阅最佳实践指南
- 征求同事的第二意见
这需要时间，经常会遗漏一些东西。
基于CLI的方法
我们可以直接从CLI利用AI做很多事情。帮助MySQL分析只是这种方法如何与我们日常数据库任务配合的一个例子。通过将MySQL的原生功能与AI模型结合，全部通过简单的命令行界面访问，我们可以在不离开终端的情况下获得洞察。AIMLAPI提供对100多个AI模型的有限使用免费访问，使这种方法变得可行。对于更集中的测试，成本仍然非常合理。
工具：AIMLAPI CLI
所以这里有一个bash脚本，通过单一界面提供对100多个AI模型的访问：
#!/bin/bash
# 可访问100多个AI模型的AIMLAPI CLI工具
# 文件: ~/.local/bin/aiml
# 配置
DEFAULT_MODEL=${AIMLAPI_DEFAULT_MODEL:-"gpt-4o"}
MAX_TOKENS=${AIMLAPI_MAX_TOKENS:-2000}
TEMPERATURE=${AIMLAPI_TEMPERATURE:-0.7}
BASE_URL="https://api.aimlapi.com"
ENDPOINT="v1/chat/completions"
# 输出颜色代码
RED='\033[0;31m'
GREEN='\033[0;32m'
YELLOW='\033[1;33m'
BLUE='\033[0;34m'
PURPLE='\033[0;35m'
CYAN='\033[0;36m'
NC='\033[0m' # 无颜色
# 打印彩色输出的函数
print_info() { echo -e "${BLUE}[信息]${NC} $1"; }
print_success() { echo -e "${GREEN}[成功]${NC} $1"; }
print_warning() { echo -e "${YELLOW}[警告]${NC} $1"; }
print_error() { echo -e "${RED}[错误]${NC} $1"; }
print_model() { echo -e "${PURPLE}[模型]${NC} $1"; }
# 热门模型快捷方式
declare -A MODEL_SHORTCUTS=(
# OpenAI模型
["gpt4"]="gpt-4o"
["gpt4o"]="gpt-4o"
["gpt4mini"]="gpt-4o-mini"
["o1"]="o1-preview"
["o3"]="openai/o3-2025-04-16"
# Claude模型
["claude"]="claude-3-5-sonnet-20241022"
["claude4"]="anthropic/claude-sonnet-4"
["opus"]="claude-3-opus-20240229"
["haiku"]="claude-3-5-haiku-20241022"
["sonnet"]="claude-3-5-sonnet-20241022"
# DeepSeek模型
["deepseek"]="deepseek-chat"
["deepseek-r1"]="deepseek/deepseek-r1"
["reasoner"]="deepseek-reasoner"
# Google模型
["gemini"]="gemini-2.0-flash"
["gemini2"]="gemini-2.0-flash"
["gemini15"]="gemini-1.5-pro"
# Meta Llama模型
["llama"]="meta-llama/Meta-Llama-3.1-70B-Instruct-Turbo"
["llama405b"]="meta-llama/Meta-Llama-3.1-405B-Instruct-Turbo"
# Qwen模型
["qwen"]="qwen-max"
["qwq"]="Qwen/QwQ-32B"
# Grok模型
["grok"]="x-ai/grok-beta"
["grok3"]="x-ai/grok-3-beta"
# 专业模型
["coder"]="Qwen/Qwen2.5-Coder-32B-Instruct"
)
# 解析模型快捷方式的函数
resolve_model() {
local model="$1"
if [[ -n "${MODEL_SHORTCUTS[$model]}" ]]; then
echo "${MODEL_SHORTCUTS[$model]}"
else
echo "$model"
fi
}
# 使用jq创建JSON载荷的函数，确保正确转义
create_json_payload() {
local model="$1"
local prompt="$2"
local system_prompt="$3"
local temp_file=$(mktemp)
echo "$prompt" > "$temp_file"
if [ -n "$system_prompt" ]; then
jq -n --arg model "$model" \
--rawfile prompt "$temp_file" \
--arg system "$system_prompt" \
--argjson max_tokens "$MAX_TOKENS" \
--argjson temperature "$TEMPERATURE" \
'{
model: $model,
messages: [{role: "system", content: $system}, {role: "user", content: $prompt}],
max_tokens: $max_tokens,
temperature: $temperature
}'
else
jq -n --arg model "$model" \
--rawfile prompt "$temp_file" \
--argjson max_tokens "$MAX_TOKENS" \
--argjson temperature "$TEMPERATURE" \
'{
model: $model,
messages: [{role: "user", content: $prompt}],
max_tokens: $max_tokens,
temperature: $temperature
}'
fi
rm -f "$temp_file"
}
# 调用AIMLAPI的函数
call_aimlapi() {
local prompt="$1"
local model="$2"
local system_prompt="$3"
if [ -z "$AIMLAPI_API_KEY" ]; then
print_error "AIMLAPI_API_KEY未设置"
return 1
fi
model=$(resolve_model "$model")
local json_file=$(mktemp)
create_json_payload "$model" "$prompt" "$system_prompt" > "$json_file"
local response_file=$(mktemp)
local http_code=$(curl -s -w "%{http_code}" -X POST "${BASE_URL}/${ENDPOINT}" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $AIMLAPI_API_KEY" \
--data-binary @"$json_file" \
-o "$response_file")
if [ "$http_code" -ne 200 ] && [ "$http_code" -ne 201 ]; then
print_error "HTTP错误 $http_code"
cat "$response_file" >&2
rm -f "$json_file" "$response_file"
return 1
fi
local content=$(jq -r '.choices[0].message.content // empty' "$response_file" 2>/dev/null)
if [ -z "$content" ]; then
content=$(jq -r '.choices[0].text // .message.content // .content // empty' "$response_file" 2>/dev/null)
fi
if [ -z "$content" ]; then
local error_msg=$(jq -r '.error.message // .error // empty' "$response_file" 2>/dev/null)
if [ -n "$error_msg" ]; then
echo "API错误: $error_msg"
else
echo "错误: 无法解析API响应"
fi
else
echo "$content"
fi
rm -f "$json_file" "$response_file"
}
# 带参数解析的主函数
main() {
local model="$DEFAULT_MODEL"
local system_prompt=""
local prompt=""
local piped_input=""
if [ -p /dev/stdin ]; then
piped_input=$(cat)
fi
# 解析参数
while [[ $# -gt 0 ]]; do
case $1 in
-m|--model)
model="$2"
shift 2
;;
-s|--system)
system_prompt="$2"
shift 2
;;
*)
prompt="$*"
break
;;
esac
done
# 处理输入
if [ -n "$piped_input" ] && [ -n "$prompt" ]; then
prompt="$prompt
要分析的数据如下:
$piped_input"
elif [ -n "$piped_input" ]; then
prompt="请分析这些数据:
$piped_input"
elif [ -z "$prompt" ]; then
echo "用法: aiml [选项] \"提示\""
echo " 命令 | aiml [选项]"
exit 1
fi
local resolved_model=$(resolve_model "$model")
print_info "正在查询 $resolved_model..."
local response=$(call_aimlapi "$prompt" "$model" "$system_prompt")
echo ""
print_model "来自 $resolved_model 的响应:"
echo "----------------------------------------"
echo "$response"
echo "----------------------------------------"
}
# 检查依赖项
check_dependencies() {
command -v curl >/dev/null 2>&1 || { print_error "需要curl但未安装。"; exit 1; }
command -v jq >/dev/null 2>&1 || { print_error "需要jq但未安装。"; exit 1; }
}
check_dependencies
main "$@"
这个脚本通过简单的快捷方式如claude4、gpt4、grok3等提供对各种AI模型的访问。AIMLAPI为所有这些模型提供有限使用的免费访问，额外测试的成本合理。适合想要在不超出预算的情况下进行实验的DBA。
脚本功能
脚本包含全面的帮助。aiml --help显示的内容如下：
AIMLAPI CLI工具 - 访问100多个AI模型
=======================================
用法: aiml [选项] "提示"
命令 | aiml [选项]
核心选项:
-m, --model 模型 要使用的模型 (默认: gpt-4o)
-t, --tokens 数字 最大令牌数 (默认: 2000)
-T, --temperature 浮点数 温度 0.0-2.0 (默认: 0.7)
-s, --system 提示 模型行为的系统提示
输入/输出选项:
-f, --file 文件 从文件读取提示
-o, --output 文件 将响应保存到文件
-r, --raw 原始输出 (无格式/颜色)
信息选项:
-l, --list 列出热门模型快捷方式
--get-models 从API获取所有可用模型
-c, --config 显示当前配置
-v, --verbose 启用详细输出
-d, --debug 显示调试信息
-h, --help 显示此帮助
基本示例:
aiml "解释量子计算"
aiml -m claude "审查这段代码"
aiml -m deepseek-r1 "逐步解决这个数学问题"
aiml -m grok3 "AI的最新发展是什么？"
aiml -m coder "优化这个Python函数"
管道示例:
ps aux | aiml "分析这些进程"
netstat -tuln | aiml "解释这些网络连接"
cat error.log | aiml -m claude "诊断这些错误"
git diff | aiml -m coder "审查这些代码更改"
df -h | aiml "分析磁盘使用情况并建议清理"
文件操作:
aiml -f prompt.txt -o response.txt
aiml -f large_dataset.csv -m llama405b "分析这些数据"
cat script.py | aiml -m coder -o review.md "代码审查"
模型类别和快捷方式:
OpenAI: gpt4, gpt4mini, o1, o3
Claude: claude, opus, haiku, sonnet, claude4
DeepSeek: deepseek, deepseek-r1, reasoner
Google: gemini, gemini2, gemma
Meta: llama, llama3, llama4, llama405b
Qwen: qwen, qwen2, qwq
Grok: grok, grok3, grok3mini
编程: coder, codestral
高级用法:
aiml -m claude -s "你是安全专家" "审计这段代码"
aiml -m deepseek-r1 -t 3000 "复杂推理任务"
aiml -v -m grok3 "带详细日志的详细查询"
aiml -d "调试模式以解决API问题"
模型发现:
aiml -l # 显示热门快捷方式
aiml --get-models # 从API获取所有可用模型
aiml --config # 显示当前配置
环境变量:
AIMLAPI_API_KEY - 您的AIMLAPI密钥 (必需)
AIMLAPI_DEFAULT_MODEL - 默认模型 (可选)
AIMLAPI_MAX_TOKENS - 默认最大令牌数 (可选)
AIMLAPI_TEMPERATURE - 默认温度 (可选)
专业提示:
• 使用 coder 进行编程任务和代码审查
• 使用 deepseek-r1 进行复杂推理和数学问题
• 使用 claude4 进行详细分析和长篇内容
• 使用 grok3 获取当前事件和实时信息
• 使用 gpt4mini 进行快速问题以节省API成本
• 直接管道命令输出: 命令 | aiml "分析这个"
• 使用 -v 获取详细输出以查看正在使用的模型
• 使用 --get-models 查看所有100多个可用模型
通过简单界面访问100多个AI模型！
示例：City表
以下是如何通过实际MySQL表分析来演示这个工具的作用。我将使用三个不同的AI模型分析经典World数据库（来自https://dev.mysql.com/doc/index-other.html 示例数据库）的City表。
命令
mysql --login-path=klarson world -e "show create table City\G" | \
aiml --model claude4 "使用MySQL专家的观点分析这个表"
这个命令：
- 从MySQL提取表结构
- 通过管道发送到我们的AI工具
- 从Claude Sonnet 4获取分析
结果
Claude Sonnet 4分析
Claude 4提供了组织良好的分析：
优势：
- 适合InnoDB效率的正确AUTO_INCREMENT主键
- 维护引用完整性的外键约束
- 适合常见查询的合适索引策略
发现的问题：
- 存储效率低下: 对可变长度城市名称使用CHAR(35)浪费空间
- 字符集限制: latin1字符集不适合国际城市名称
- 次优索引: name_key索引仅覆盖前5个字符
建议的改进：
-- Claude建议的优化结构
CREATE TABLE `City` (
`ID` int NOT NULL AUTO_INCREMENT,
`Name` VARCHAR(35) NOT NULL,
`CountryCode` CHAR(3) NOT NULL,
`District` VARCHAR(20) NOT NULL,
`Population` int UNSIGNED NOT NULL DEFAULT '0',
PRIMARY KEY (`ID`),
KEY `CountryCode` (`CountryCode`),
KEY `name_idx` (`Name`),
KEY `country_name_idx` (`CountryCode`, `Name`),
KEY `population_idx` (`Population`),
CONSTRAINT `city_ibfk_1` FOREIGN KEY (`CountryCode`)
REFERENCES `Country` (`Code`) ON DELETE RESTRICT ON UPDATE CASCADE
) ENGINE=InnoDB AUTO_INCREMENT=4080
DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
Grok 3 Beta分析
mysql --login-path=klarson world -e "show create table City\G" | \
aiml --model grok3 "使用MySQL专家的观点分析这个表"
Grok 3提供了详尽而详细的分析，涵盖：
技术深度分析：
- 性能影响分析: 详细评估了部分索引限制
- 存储引擎优势: 确认了InnoDB选择用于事务完整性
- 数据类型优化: 带示例的详细节省空间建议
高级考虑：
- 城市名称搜索的全文索引建议
- 带特定命令的字符集迁移程序
- 大数据集的分区策略
实施指南：
-- Grok的字符集迁移建议
ALTER TABLE City CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
-- 全文索引建议
ALTER TABLE City ADD FULLTEXT INDEX name_fulltext (Name);
GPT-4o分析
mysql --login-path=klarson world -e "show create table City\G" | \
aiml --model gpt4 "使用MySQL专家的观点分析这个表"
GPT-4o专注于实用的、可直接执行的改进：
实用评估：
- 验证了AUTO_INCREMENT主键设计
- 确认了外键约束对数据完整性的好处
- 识别了全球应用的字符集限制
ready-to-implement建议：
- 用于立即优化的特定ALTER TABLE命令
- 查询模式分析建议
- 索引效果评估标准
多模型分析的力量
这种方法有价值的原因是获得三个不同的观点：
- Claude 4: 提供带有具体代码解决方案的详细结构化分析
- Grok 3: 提供带有高级优化策略的全面覆盖
- GPT-4o: 提供实用的、可直接执行的建议
每个模型都带来独特的优势：
- 不同的焦点: 存储优化 vs 性能 vs 可维护性
- 不同的深度级别: 从快速胜利到架构改进
- 多样的分析风格: 结构化 vs 全面 vs 实用
超越MySQL：其他CLI示例
由于我们可以将任何命令输出通过管道传递给AI工具，这里有一些其他有用的示例：
系统管理
# 分析系统进程
ps aux | aiml "哪些进程使用了最多资源？"
# 检查磁盘使用情况
df -h | aiml "分析磁盘使用情况并建议清理"
# 网络连接
netstat -tuln | aiml "解释这些网络连接"
# 系统日志
tail -50 /var/log/syslog | aiml "这些日志中有令人担忧的错误吗？"
文件和目录分析
# 大文件
find /var -size +100M | aiml "按类型组织这些大文件"
# 权限问题
ls -la /etc/mysql/ | aiml "检查这些文件权限的安全性"
# 配置审查
cat /etc/mysql/my.cnf | aiml "审查这个MySQL配置"
日志分析
# Apache日志
tail -100 /var/log/apache2/error.log | aiml "总结这些Web服务器错误"
# 认证日志
grep "Failed password" /var/log/auth.log | aiml "分析这些失败的登录尝试"
重点是你可以通过管道传递几乎任何内容来获得快速分析，而无需离开终端。
实施工作流程
设置说明
1. 安装依赖项：
# 安装所需工具
sudo apt install curl jq mysql-client
# 创建脚本目录
mkdir -p ~/.local/bin
# 使脚本可执行
chmod +x ~/.local/bin/aiml
2. 配置API访问：
# 从https://aimlapi.com获取免费AIMLAPI密钥（有限使用的免费层）
export AIMLAPI_API_KEY="your-free-api-key-here"
echo 'export AIMLAPI_API_KEY="your-free-api-key-here"' >> ~/.bashrc
3. 测试设置：
# 验证配置
aiml --config
# 测试基本功能
echo "SELECT VERSION();" | aiml "解释这个SQL"
实用使用模式
快速表分析
# 分析特定表
mysql -e "SHOW CREATE TABLE users\G" mydb | \
aiml -m claude4 "分析这个MySQL表结构"
比较不同模型观点
# 获得同一个表的多个观点
TABLE_DDL=$(mysql -e "SHOW CREATE TABLE orders\G" ecommerce)
echo "$TABLE_DDL" | aiml -m claude4 "MySQL表分析"
echo "$TABLE_DDL" | aiml -m grok3 "性能优化审查"
echo "$TABLE_DDL" | aiml -m gpt4 "实用改进建议"
分析多个表
# 数据库中所有表的快速分析
mysql -e "SHOW TABLES;" mydb | \
while read table; do
echo "=== 分析 $table ==="
mysql -e "SHOW CREATE TABLE $table\G" mydb | \
aiml -m gpt4mini "快速评估这个表"
done
索引分析
# 审查索引使用和优化
mysql -e "SHOW INDEX FROM tablename;" database | \
aiml -m deepseek "为这个MySQL表建议索引优化"
查询性能分析
# 分析慢查询
mysql -e "SHOW PROCESSLIST;" | \
aiml -m grok3 "识别这些MySQL进程中的潜在性能问题"
为什么AIMLAPI使DBA能够做到这一点
合理成本的免费访问: AIMLAPI为100多个AI模型提供有限使用的免费访问，额外测试的价格非常合理。这使得想要在不承诺昂贵订阅的情况下进行实验的DBA成为完美选择。
模型多样性: 访问来自不同提供商（OpenAI、Anthropic、Google、Meta等）的模型意味着你可以获得不同的观点和专业领域。
无供应商锁定: 你可以试验不同的模型来找到最适合你特定需求的模型，而无需长期承诺。
终端原生: 保持在你舒适的Linux环境中，你已经在那里进行MySQL工作。
模型选择指南
不同的模型在MySQL分析的不同方面表现出色：
# 用于详细结构分析
aiml -m claude4 "全面的表结构审查"
# 用于性能导向分析
aiml -m grok3 "性能优化建议"
# 用于快速实用建议
aiml -m gpt4 "立即可操作的改进"
# 用于关于权衡的复杂推理
aiml -m deepseek-r1 "复杂优化权衡分析"
# 用于成本效益的快速检查
aiml -m gpt4mini "简要表评估"
高级技术
自定义系统提示
将分析调整到你的特定环境：
# 电商焦点
aiml -m claude4 -s "你正在分析高流量电商网站的表" \
"审查这个表的可扩展性"
# 安全焦点
aiml -m grok3 -s "你是一个专注于安全的数据库分析师" \
"这个表结构的安全评估"
# 遗留系统焦点
aiml -m gpt4 -s "你正在帮助将遗留系统迁移到现代MySQL" \
"这个表的现代化建议"
自动报告
# 生成全面的数据库分析报告
DB_NAME="production_db"
REPORT_FILE="analysis_$(date +%Y%m%d).md"
echo "# $DB_NAME 数据库分析报告" > "$REPORT_FILE"
echo "生成于 $(date)" >> "$REPORT_FILE"
for table in $(mysql -Ns -e "SHOW TABLES;" "$DB_NAME"); do
echo "" >> "$REPORT_FILE"
echo "## 表: $table" >> "$REPORT_FILE"
mysql -e "SHOW CREATE TABLE $table\G" "$DB_NAME" | \
aiml -m claude4 "提供这个MySQL表的简洁分析" >> "$REPORT_FILE"
done
性能优化工作流程
# 全面的性能分析
mysql -e "SHOW CREATE TABLE heavy_table\G" db | \
aiml -m grok3 "性能瓶颈分析"
# 跟进索引建议
mysql -e "SHOW INDEX FROM heavy_table;" db | \
aiml -m deepseek "索引优化策略"
# 获取实施计划
aiml -m gpt4 "为这些优化创建逐步实施计划"
这种方法的实际好处
速度: 在几秒钟而不是几小时内获得专家级分析
多重视角: 不同的模型捕捉不同的问题
学习工具: 每次分析都能学到关于MySQL优化的新知识
成本效益: 由于AIMLAPI的免费层和合理定价，这种强大的分析是可访问的
一致性: 跨不同表和数据库的可重复分析
文档: 容易生成报告并与团队分享发现
获得最佳结果的提示
- 从结构开始: 总是从
SHOW CREATE TABLE开始进行全面分析 - 使用具体提示: 你的请求越具体，分析就越好
- 比较模型: 不同的模型在不同方面表现出色 - 使用多重视角
- 验证建议: 总是在生产环境之前在开发环境中测试AI建议
- 迭代: 使用后续问题深入特定建议
今天开始
这种方法的美妙之处在于其简单性和成本效益。只需几个命令，你就可以：
- 从https://aimlapi.com获取免费的AIMLAPI密钥（包括免费层）
- 安装脚本（5分钟）
- 立即开始分析你的MySQL表
- 试验不同的模型以查看哪些最适合你的需求
- 将免费层用于常规分析，仅为集中测试付费
Windows用户（快速选项）
我不是Windows用户，但如果你需要在Windows上运行这个，最简单的方法是：
- 安装WSL2（Windows Linux子系统）
- 从Microsoft Store安装Ubuntu
- 在WSL2内遵循上述Linux设置
这为你提供了一个合适的Linux环境，脚本将完全按设计工作。
这不是要替换DBA专业知识 - 而是在保持在终端环境中的同时增强它。AI提供快速分析并捕捉你可能遗漏的东西，而你提供上下文并做出最终决定。
无论你是处理单个表还是拥有数百个表的复杂数据库，这个工作流程都能扩展以满足你的需求。由于AIMLAPI为额外使用提供合理成本的免费访问，你可以试验并找到你特定用例的完美组合，而无需预算担忧。
MySQL强大的内省功能与AI分析的结合为DBA创建了一个既实用又成本效益的工作流程。在你的下一个数据库优化项目中尝试一下 - 你可能会对出现的洞察感到惊讶，所有这些都在你舒适的终端环境中。
