AI 辅助 Java 慢 SQL 定位:从慢查询日志到索引与 N+1 排查
慢 SQL 是 Java 服务最常见的慢性病:接口平时很快,高峰一到就拖垮整条链路。靠人肉翻慢查询日志,经常是看到一条 3 秒的 SQL,却不知道它为什么慢、该加什么索引。把 AI 用在定位环节,关键不是让它直接改 SQL,而是让它帮你把“现象—执行计划—代码调用链”这三段证据串起来,再由人确认每一步。
一、先让 AI 读日志,而不是直接问“怎么优化”
慢查询日志里真正有用的只有四样:SQL 文本、执行耗时、扫描行数、出现频率。把同一条 SQL 的多次记录连同表结构发给 AI,让它先回答三个问题:这条 SQL 走了全表扫描还是索引?过滤条件里有没有对索引列做函数运算或隐式类型转换?同样的查询在代码里被调用了多少次、是不是在循环里?
只给结论不给证据的回答不要直接采信。好的做法是让 AI 同时给出它依据的执行计划关键行(type、key、rows、Extra),你再用 EXPLAIN 在测试库复核一遍,两者对不上就以数据库为准。
二、最常见的三类根因,排查顺序别反
第一类是索引缺失或失效。WHERE user_id = ? AND status = ? ORDER BY created_at DESC 这样的查询,单列索引往往不够,需要的是 (user_id, status, created_at) 这样的联合索引,而且等值列在前、排序列在后。AI 很擅长按这个规则给候选索引,但建索引前一定要在测试库验证:看 EXPLAIN 的 key 是否命中、rows 是否从几十万降到几百,同时确认写入量大的表不会因为多一个索引而明显变慢。
第二类是 N+1 查询。列表接口先查 20 条订单,再循环查每条订单的用户信息,日志里就会出现 1 条主查询加 20 条几乎一样的单条查询。AI 读代码时很容易发现这种“循环里调 DAO”的模式,修复方向通常是改成一次批量查询或 JOIN 一次取回,再用 IN 批量查关联表。下面这段就是典型的修复前后对比:
// 修复前:循环里逐条查,20 条订单产生 21 次查询
for (Order order : orders) {
order.setUser(userDao.getById(order.getUserId()));
}
// 修复后:一次批量查出全部用户,再在内存里组装
List<Long> userIds = orders.stream().map(Order::getUserId).distinct().toList();
Map<Long, User> users = userDao.listByIds(userIds).stream()
.collect(Collectors.toMap(User::getId, u -> u));
orders.forEach(o -> o.setUser(users.get(o.getUserId())));
第三类是分页越翻越慢。LIMIT 100000, 20 要先扫描再丢弃 10 万行,改成按上一页最后一条的游标(比如 WHERE id > ? ORDER BY id LIMIT 20)查询,耗时通常能从秒级降到毫秒级。AI 可以帮你把现有的 offset 分页调用点全部找出来,逐个确认排序字段是否有唯一索引支撑。
三、让 AI 输出“可验证的清单”,而不是一段改好的 SQL
一次靠谱的慢 SQL 排查,交付物应该是四行:复现的执行计划、根因属于上面哪一类、改动方案(索引 DDL 或代码 diff)、以及验证方法(改前改后各跑三次的耗时与 rows 对比)。AI 负责起草这份清单,人负责在测试库执行验证、确认没有回归,最后再上线。
把这个流程固定下来,慢 SQL 就从“凭经验猜”变成了“有证据、可复现、可验证”的常规操作。下一次再遇到接口变慢,先抓日志、再看执行计划、最后才动代码,顺序对了,定位自然就快。
- 点赞
- 收藏
- 关注作者
评论(0)