当数据库监控面板上出现一群永不休息、每秒生成大量 SQL 查询的 “用户” 时，传统的运维团队可能会误以为遭遇了 DDoS 攻击。然而，这很可能只是公司刚刚部署的一支 AI Agent 舰队，它们正不知疲倦地监控和优化业务指标。ClickHouse 敏锐地捕捉到了这一趋势，并提出了 “Agent-Facing Analytics” 的概念，将 AI Agent 视为数据库的 “新用户角色”。在此基础上，ClickHouse Agent Skills 应运而生，它旨在通过一套标准化的架构，将传统的数据库监控、诊断与 AI 驱动的技能编排深度融合，实现运维工作的自动化与智能化。
三层架构：数据、技能与编排的深度融合
ClickHouse Agent Skills 的核心是一个清晰的三层架构，每一层都针对 AI Agent 的特殊需求进行了优化。
第一层：数据层（ClickHouse OLAP 引擎） 这是整个架构的基石。与传统的、基于倒排索引、仅保留 7-14 天日志的监控平台不同，ClickHouse 的列式存储和高效压缩能力使得保留数月甚至更长时间的全保真（full-fidelity）日志、指标和追踪数据变得经济可行。其向量化执行引擎能够对数十亿行数据进行亚秒级扫描和聚合，这对于 AI Agent 在调查事件时可能发起的 6 到 27 次迭代查询至关重要。正如 ClickHouse 团队在 AI SRE 实验中所发现的：“瓶颈不在于模型的 IQ，而在于缺失的上下文、薄弱的数据基础和专业领域知识的缺乏。” 一个能够提供长留存、高基数维度的数据层，是 AI 技能得以发挥效用的前提。
第二层：技能层（MCP 协议与工具暴露）
技能通过 Model Context Protocol（MCP）这一开放标准进行封装和暴露。MCP 在 AI 应用（客户端）和数据源（服务器）之间建立了一座标准化的桥梁。官方的 ClickHouse MCP Server 提供了三个核心工具：list_databases（列出数据库）、list_tables（列出表）和execute_query（执行查询）。这种设计看似简单，却极具匠心。它没有将原始的数据库凭证暴露给 LLM，而是通过一个代理通道，提供了一个受控的 SQL 界面和数据目录。这使得 AI Agent 能够以标准化、安全的方式探索数据模式、采样数据并执行分析，将 “查询” 这一基本能力转化为可被编排的技能。
第三层：编排层（AI 推理与工作流引擎） 这是技能的 “大脑”。编排层接收自然语言指令，将其转化为结构化的调查工作流。它遵循 “感知 - 思考 - 行动” 的循环：基于数据层的信息形成假设，通过技能层调用工具进行验证，然后 refine 理解并决定下一步行动。在 ClickHouse 设想的 AI SRE 场景中，编排层的目标不是替代人类进行自动修复（这通常风险很高），而是充当一个 “调查员”，其信条是 “AI 负责搜寻，人类负责决策”。它通过快速关联部署事件、服务拓扑、历史事件和业务指标，压缩 “平均理解时间”，让值班工程师能够基于丰富的上下文迅速做出判断。
核心技能实现：从异常检测到根因分析
基于上述架构，可以构建一系列具体的运维技能。
1. 异常检测与告警精炼 传统告警基于静态阈值，噪音大。Agent Skill 可以动态分析历史基线。例如，当收到 “支付服务错误率上升” 的告警时，技能可以自动执行查询，对比当前错误模式与过去 30 天的历史分布，计算 Z-Score，并过滤掉属于正常波动的 “噪音” 告警。其执行流程可能包含：查询近期错误日志 -> 按服务、版本、区域多维度聚合 -> 与历史同期数据对比 -> 判断显著性。关键参数包括：时间窗口（如过去 5 分钟）、对比基线周期（如过去 30 天同一时段）、显著性阈值（如 Z-Score > 3）。
2. 根因分析（RCA）自动化 这是 AI SRE 的核心价值。当工程师提问 “为什么过去 20 分钟 us-east-1 区域的结账错误率激增？” 时，技能会启动一个多步骤的调查循环。首先，它会从上下文层查询最近一小时的部署记录和功能标志变更。接着，在数据层中，它会将错误日志与这些变更事件进行时间关联性 JOIN 查询。然后，通过追踪数据，分析错误请求的完整调用链，定位延迟最高的环节。最后，它还会查询历史事件表，寻找是否有相似错误模式的先例。整个过程中，技能可能发起数十次查询，但得益于 ClickHouse 的极速响应，整个循环可以在分钟级内完成，并输出一个初步的根因假设，例如：“错误率激增与 47 分钟前支付服务 v2.3.7 的部署高度相关，该版本在 fraud 服务调用上出现了缓存饱和问题，类似问题曾在 2025-03-15 发生。”
3. 性能调优建议
Agent 可以主动监控查询性能。通过定期采样系统表（如system.query_log），识别出执行时间最长或消耗资源最多的查询模式。利用EXPLAIN工具分析其执行计划，并与历史最优计划进行对比。对于出现性能回归的查询，技能可以建议增加特定的索引、重写查询语句或调整相关表的 MergeTree 设置。例如，它可能发现某个高频聚合查询因缺失PRIMARY KEY中某个高筛选度的列而导致全表扫描，从而建议修改表结构。
工程落地清单：从配置到评估
MCP 服务器配置要点：
- 安全边界：绝不直接暴露数据库超级用户。为 MCP Server 创建专用数据库用户，权限严格限制为
SELECT、SHOW DATABASES、SHOW TABLES。 - 资源隔离：使用 ClickHouse 的资源队列（resource queues）或设置
max_execution_time、max_memory_usage等参数，限制来自 MCP 连接的查询资源消耗，防止劣质 SQL 拖垮生产集群。 - 工具暴露策略：初期仅暴露只读工具。如需执行
OPTIMIZE、ALTER等管理命令，应设计独立的、需人工审核或特定触发条件的 “高权限技能”，并通过额外的授权层控制。
关键监控指标：
- 技能效能：每次技能调用的总耗时、发起的 SQL 查询数量、查询平均延迟、最终结论的置信度分数。
- 数据层健康度：ClickHouse 的查询并发数、内存使用量、慢查询数量（特别是由 MCP 发起的）。
- 上下文完整性：部署事件表、服务拓扑表等上下文数据的新鲜度（最后更新时间）。
回滚与熔断策略：
- 查询熔断：当 MCP 发起的查询连续 N 次超时或返回语法错误时，自动暂停该技能一段时间，并通知管理员。
- 技能回滚：如果某个新上线的技能（如自动索引创建）导致性能下降，应能一键切换到旧版逻辑或直接禁用。
- 人工接管：任何时候，运维人员都应能中断正在执行的 Agent 调查循环，并接管手动查询。
技能评估维度：
- 准确性：根因分析结论与事后人工复盘结果的一致性。
- 效率：相比纯人工调查，平均节省的时间（MTTU 减少比例）。
- 资源成本：执行技能所消耗的数据库计算资源。
- 安全性：是否产生过未经授权的数据访问或危险操作尝试。
风险、限制与未来展望
尽管前景广阔，ClickHouse Agent Skills 的落地仍面临挑战。首要风险是AI 生成 SQL 的质量。不完美甚至错误的 SQL 可能消耗大量资源，这就要求底层数据库必须具备出色的容错性和资源隔离能力。其次，技能的可靠性严重依赖上下文层的完整性与新鲜度。如果部署数据同步延迟或服务拓扑图过时，AI 很可能得出误导性结论。此外，LLM 固有的 “幻觉” 问题在数据分析场景中同样存在，需要通过在数据库层加强数据完整性约束（如使用参数化查询模板）和设置 LLM 推理参数（如降低 temperature）来缓解。
未来，Agent Skills 的发展可能会沿着几个方向演进：一是技能的市场化与共享，出现可插拔的技能库；二是从响应式到预测式，利用长期历史数据训练模型，在故障发生前预测风险；三是更深度的数据库内核集成，可能出现专为 AI Agent 优化的 SQL 语法扩展或存储格式，进一步提升交互效率。
结论
ClickHouse Agent Skills 代表了一种将现代 OLAP 数据库的强大能力与 AI Agent 的灵活编排相结合的新范式。它并非用 AI 完全取代人类运维，而是通过 “数据层提供记忆，技能层提供手脚，编排层提供推理” 的三位一体架构，将人类专家从繁琐的信息搜集和初步关联工作中解放出来，专注于更高价值的决策。成功的实施关键在于构建一个能够承载长周期、高基数数据的经济高效的数据底座，并通过 MCP 等标准协议安全、可控地暴露能力。对于正在探索智能运维之路的团队而言，从夯实可观测性数据基础开始，逐步引入受控的 AI 技能，或许是一条更务实且高效的路径。
资料来源
- ClickHouse. “Agent-Facing Analytics.” ClickHouse Blog, 13 Feb. 2025.
- ClickHouse. “Your AI SRE needs better observability, not bigger models.” ClickHouse Blog, 1 Jan. 2026.