피드로 돌아가기
Dev.toDatabase
원문 읽기
Full Table Scan을 Index Range Scan으로 전환하여 쿼리 비용 98.9% 절감
I Built an Oracle DBA That Lives in Telegram. It Cut a 500K-Row Scan to 5 - After Asking Permission.
AI 요약
Context
전통적인 Oracle DBA 작업은 SQL Developer 접속 및 v$session 쿼리 등 수동 진단 과정으로 인해 대응 지연 발생. 특히 야간 장애 시 AWR 분석 및 실행 계획 확인을 위한 높은 운영 오버헤드와 AI Agent의 무분별한 쓰기 작업에 대한 심리적 불안감이 병목 지점으로 작용함.
Technical Solution
- Hermes Agent의 Plugin Contract를 활용하여 Messaging Gateway 기반의 인터페이스 계층 구축
- diagnose-slow-query 스킬을 통해 oracle_explain_plan과 oracle_describe_table을 연쇄 호출하여 병목 지점을 정밀 분석
- AI의 자의적 판단에 의한 데이터 파괴를 방지하기 위해 '제안 → 명시적 동의(Yes) → 실행'으로 이어지는 Human-in-the-loop 워크플로우 설계
- 모든 쓰기 작업에 대해 사용자 확인 토큰과 실행 근거를 포함한 JSON Lines 기반의 Audit Log 기록 체계 구현
- agentskills.io 표준 규격을 채택하여 특정 프레임워크 종속성을 제거하고 Claude Code, Cursor 등 타 AI 도구와의 호환성 확보
- OCI Always Free Tier 기반의 ARM Ampere A1 인스턴스를 활용해 인프라 비용 제로화 달성
Impact
- 500,000행의 Full Table Scan을 5행의 Index Range Scan으로 최적화
- 쿼리 실행 비용(Cost)을 709에서 8로 낮추며 약 98.9%의 비용 절감 달성
Key Takeaway
LLM 기반의 데이터베이스 관리 도구 설계 시, 기술적 자동화보다 중요한 것은 '명시적 승인 절차'와 '추적 가능한 감사 로그'를 통한 운영 안전성 확보임.
실천 포인트
- AI Agent에게 DB 쓰기 권한 부여 시 Human-in-the-loop 승인 단계가 포함되었는지 확인 - 진단-제안-실행-검증으로 이어지는 End-to-End 파이프라인 구축을 통한 수동 작업 제거 - 특정 벤더 종속성을 피하기 위해 agentskills.io와 같은 개방형 스킬 표준 검토 - 실시간 성능 분석을 위해 v$ session 및 cursor cache 기반의 런타임 플랜 추출 로직 적용