--- title: "我用 Claude 写了一个 DBA 运维 Agent:从零到生产的完整记录" source: "https://x.com/plantegg/status/2028677544791138751" author: - "[[Unknown]]" published: 2026-03-03 created: 2026-03-03 description: tags: - "clippings" --- 作为一个 MySQL DBA,我花了一个下午,用 Claude Code 从零搭建了一个能自主诊断 MySQL 和 Linux 的 AI Agent。它能自己决定该查什么、怎么查,最后给出一份完整的诊断报告。 **题图是 agent 和 LLM 交互的完整过程,可以看到什么时候执行工具什么时候组合成完整 prompt 发给 LLM** 这篇文章记录整个开发过程,以及我对 Agent 开发的理解。 ## 什么是 Agent? 一句话:**Agent = 让大模型持续思考、持续调用外部工具、直到解决用户问题的程序。** 和普通的 ChatGPT 对话不同,Agent 不只是"聊天",它能动手。 普通 LLM 调用:你问一个问题,模型从训练数据里找答案,一问一答就结束了。 Agent:模型分析你的问题后,主动决定调用什么工具(比如 SSH 到服务器执行命令、查 MySQL),拿到真实数据后继续分析,不够就再调,直到能给出完整答案。 核心区别就一个:**模型有了"手脚",能主动获取实时信息。** ## ReAct:Agent 背后的核心原理 几乎所有主流 Agent 框架都基于 ReAct 模式,来自 2022 年的论文 "ReAct: Synergizing Reasoning and Acting in Language Models"。 ReAct = Reasoning(推理)+ Acting(行动) 它的工作循环非常直觉: **Thought(思考)→ Action(行动)→ Observation(观察)→ 再 Thought ...** 翻译成人话就是: - 思考:"用户问的是主从复制状态,我应该先查 SHOW SLAVE STATUS" - 行动:调用 mysql\_query 工具执行这条 SQL - 观察:工具返回"无结果集"——说明这台不是从库 - 再思考:"那看看是不是主库吧" - 再行动:执行 SHOW MASTER STATUS - 再观察:有 binlog 信息,确认是主库 - ...... - 最终思考:"信息够了,可以给出完整诊断报告" 关键在于:**你不需要写 if-else 来编排这些步骤。** 模型自己决定调什么工具、调几次、什么时候停止。你只需要提供工具,剩下的交给模型推理。 ## Agent 开发三要素 **Agent = LLM + Tools + Prompt** **LLM(大脑)**:选什么模型、怎么连。我用的是 Claude Sonnet 4.5,通过公司内部的 OpenAI 兼容网关调用。 **Tools(手脚)**:写 Python 函数让模型能调用。这是 80% 的工作量。我写了三个工具:ssh\_command(远程执行 Linux 命令)、mysql\_query(执行只读 SQL)、write\_file(保存报告到文件)。 **Prompt(指令)**:告诉模型它是谁、能做什么。比如"你是资深 DBA,精通 MySQL 5.7/8.0,所有操作只读,用中文回答"。 ## 六步开发流程 **Step 1:定义场景和工具边界** 先想清楚三个问题: - Agent 解决什么问题?→ MySQL/Linux 远程只读诊断 - 需要哪些工具?→ SSH 命令、MySQL 查询、写文件 - 安全红线是什么?→ 绝对只读,拦截所有写操作 **Step 2:搭项目骨架** 用 CrewAI 框架,项目结构很简单:config.yaml(配置)、[main.py](https://main.py/)(入口)、[crew.py](https://crew.py/)(Agent 定义)、tools/ 目录下放各个工具。 **Step 3:写工具(核心)** 每个工具就是一个 Python 类,有一个 name、一个 description(模型靠它决定什么时候调用)、一个 \_run 方法(实际执行逻辑)。 工具开发的四个要点: - description 要写清楚——模型完全靠这段描述来决定什么时候用这个工具 - \_run 返回纯文本——模型只能理解文本 - 做好安全拦截——模型可能会尝试执行 DROP TABLE - 加超时控制——防止 tail -f 这类命令卡死整个 Agent **Step 4:配置 LLM** 配好模型名称、API 地址、密钥。如果用的是 OpenAI 兼容网关,模型名需要加 "openai/" 前缀让路由层正确转发。 **Step 5:组装 Agent** 把 LLM、工具列表、角色 Prompt 组合到一起,创建 Agent 实例。 **Step 6:运行** 把用户的问题包装成 Task,交给 Crew 执行,拿到结果。 ## 实际效果 我对 Agent 说:"检查这台机器的主从复制状态" 它自己完成了以下操作: 1. 执行 SHOW SLAVE STATUS → 发现不是从库 2. 执行 SHOW MASTER STATUS → 确认是主库,拿到 binlog 和 GTID 信息 3. 执行 SHOW SLAVE HOSTS → 发现没有从库连接 4. 查询半同步复制变量 → 发现半同步已降级为异步 5. SSH 查看 MySQL 错误日志 → 找到超时切换的时间点 6. 查询复制用户权限 → 确认配置完整 7. 查看 processlist → 确认没有 Binlog Dump 线程 最终输出了一份完整的诊断报告,准确指出:主库配置正常但当前无从库连接,半同步复制因超时已降级,存在数据丢失风险,并给出了紧急处理建议。 整个过程 6 轮 LLM 调用,全自动,无需人工干预。 ## 踩过的坑 真实开发中踩了不少坑,记录几个典型的: **MySQL root 不允许 TCP 连接**:root 账户只允许 unix socket 登录,SSH 隧道转发的 127.0.0.1 TCP 连接被拒。解决方案:放弃 pymysql 直连,改为 SSH 到目标机器后用 mysql CLI 通过 socket 执行。 **模型后端不支持 assistant prefill**:公司网关后面的某些模型走 AWS Bedrock,而 Bedrock 不支持 CrewAI 使用的 assistant message prefill 特性。解决方案:逐个测试网关上的模型,找到走非 Bedrock 后端的模型。 **tail -f 卡死 Agent**:模型执行 "tail -100 slow-queries.log" 时,如果日志行数不够,tail 会等待新数据写入,导致 SSH 命令永远不返回。解决方案:用 paramiko channel 级别的非阻塞读取 + deadline 超时机制替代 exec\_command。 **调试回调被框架覆盖**:我写了一个 --debug 模式输出每次 LLM 交互的完整 prompt/response,但 CrewAI 内部会重置 litellm 的回调列表。解决方案:monkey-patch 框架的 set\_callbacks 方法,确保自定义 logger 始终存在。 ## 一个公式 **Agent 效果 = 模型能力 x 工具质量 x Prompt 清晰度** - 模型不够强 → 换更大的模型 - 工具返回乱码 → 格式化输出,让模型能理解 - 模型不知道用哪个工具 → 改工具的 description - 模型反复犯错重试 → 加 --debug 看完整 prompt,调整角色描述 ## 总结 Agent 开发没有想象中那么难。本质上就是: 1. 给大模型一组工具 2. 告诉它是什么角色 3. 让它自己决定怎么用工具解决问题 80% 的工作量在写好工具——安全拦截、超时控制、输出格式化。剩下 20% 是选模型和调 Prompt。 框架(CrewAI/LangChain/AutoGen)只是脚手架,真正决定 Agent 好不好用的是你的工具质量和对业务场景的理解。