1. 一条 SQL 从「跑得慢」到「改得动」中间缺了什么Oracle 执行计划详细解读这件事很多 DBA 和后端开发都卡在同一个地方计划能拿到字段也认识但看完之后不知道该动 SQL、动索引还是动统计信息。你手里有dbms_xplan.display_cursor的输出有v$sql_plan的 COST 和 CARDINALITY甚至 AWR 报告也翻了好几遍可真正落到「这条 SQL 该怎么改」的时候还是靠猜。问题不在于工具不够而在于从「采集」到「解读」再到「改写验证」这条链路是断的。采集靠 SQL 脚本解读靠经验改写靠试错每一步都在不同的窗口里完成上下文来回丢。我试过把执行计划文本复制到外部工具里做分析格式一乱、字段一多人工比对成本极高尤其是多子计划、多 CHILD_NUMBER 的场景光对齐 ID 和执行顺序就要花十几分钟。这篇要交付的就是把这条链路接起来先用可复制的 SQL 把执行计划、AWR、ASH 的关键字段采全再通过 TaoToken 的统一 Key 把执行计划文本送进模型做结构化解读最后拿到「可疑点 改写方向 验证 SQL」三件套。目标很明确执行计划从「看得懂」推进到「改得动」。适合已经会看基本执行计划、但想提升解读效率和改写命中率的 DBA 与后端开发。TaoToken 在这里的角色不是替代 Oracle 的任何工具而是把「执行计划文本 → 结构化分析」这一步标准化。你不需要在多个模型平台之间切换 Key一个统一 Key 就能覆盖解读、改写建议、验证脚本生成这几个环节。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 接入地址是 https://taotoken.net/api 后面配置骨架会用到。2. 先把执行计划采全可复制的采集 SQL 与字段对照在送进模型之前采集质量决定解读质量。执行计划文本如果缺了 Predicate Information、缺了统计信息、缺了 CHILD_NUMBER模型再强也只能给泛泛的建议。所以第一步是把采集脚本固定下来。2.1 真实执行计划采集display_cursor 带 advancedexplain plan for拿到的是优化器估算的计划不是真实执行的计划绑定变量场景下偏差可能很大。要拿真实计划用display_cursor并且把advanced参数带上它比typical和all显示的内容更多包括 Outline Data、Query Block Name、Column Projection 这些对改写很有用的信息。-- 第一步找到目标 SQL 的 sql_id 和 child_number SELECT sql_id, child_number, executions, elapsed_time/1000000 AS elapsed_sec, buffer_gets, disk_reads, rows_processed, parsing_schema_name FROM v$sql WHERE sql_text LIKE %你的关键表名% AND sql_text NOT LIKE %v$sql% ORDER BY elapsed_time DESC; -- 第二步拿真实执行计划advanced 模式 SELECT * FROM TABLE( DBMS_XPLAN.DISPLAY_CURSOR(你的sql_id, 你的child_number, ADVANCED) );advanced输出里重点看四块Plan Hash Value判断计划是否变化、Id 与 Operation 的层级判断执行顺序、E-Rows 与 A-Rows 的差异判断基数估算是否失真、Predicate Information 里的 access 与 filter判断索引是否用上。2.2 历史执行计划display_awr 与 awrsqrpt共享池会被刷掉历史计划要从 AWR 里捞。display_awr适合快速看某个 sql_id 在 AWR 里记录过的所有计划awrsqrpt.sql适合生成完整的 SQL 报告。-- 从 AWR 拿历史执行计划能看到多个 Plan Hash Value SELECT * FROM TABLE( DBMS_XPLAN.DISPLAY_AWR(你的sql_id, NULL, NULL, ADVANCED) );-- 生成 AWR SQL 报告交互式选择 snap 区间和 sql_id ?/rdbms/admin/awrsqrpt.sql2.3 AWR/ASH 关键字段对照表执行计划本身不告诉你「时间花在哪」要结合 AWR 和 ASH。下面这张表是我实际排障时反复对照的字段建议存下来。字段来源字段名含义排障时的判断方向v$sql_planCOST优化器估算代价与 A-Rows 偏差大说明基数估算错v$sql_planCARDINALITY估算行数与 A-Rows 差一个数量级就要查统计信息v$sql_planCPU_COST / IO_COSTCPU 与 IO 分项代价判断瓶颈偏 CPU 还是偏 IOv$sqlBUFFER_GETS逻辑读逻辑读高但返回行少多半索引选择有问题v$sqlDISK_READS物理读物理读高看是否缺索引或缓存命中差v$active_session_historyEVENT等待事件db file scattered read 多说明全表扫描v$active_session_historySQL_PLAN_HASH_VALUE实际用的计划与 v$sql_plan 对照确认是否走了预期计划dba_hist_sqlstatELAPSED_TIME_DELTA时间段内耗时定位性能突变的时间点2.4 执行顺序的判断规则执行计划是树形结构读的顺序不是从上到下那么简单。规则是先找第一个没有子节点的步骤它最先执行同级兄弟节点靠上的先执行所有子节点执行完才执行父节点。缩进相同的是兄弟缩进更深的是子节点。把 Id 和缩进对齐之后执行顺序基本能还原出来。这一步如果人工做多分支计划很容易看错后面会讲怎么让模型帮你把顺序列出来。3. TaoToken 前置统一 Key 的配置骨架采集做完接下来是把执行计划文本送进模型。TaoToken 的接入方式和 OpenAI 兼容接口一致所以配置成本很低。先去控制台拿 Key入口在 https://taotoken.net/console Key 管理在 https://taotoken.net/api-keys 。拿到之后配置骨架如下。3.1 环境变量与基础配置# 统一 Key所有模型调用共用这一个 export TAOTOKEN_API_KEYsk-你的key # API 基地址注意不带 UTM 参数 export TAOTOKEN_BASE_URLhttps://taotoken.net/api# Python 配置骨架用 openai SDK 即可 import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) def analyze_plan(plan_text: str, model: str claude-sonnet-4-20250514) - str: prompt f你是 Oracle 执行计划分析专家。下面是某条 SQL 的真实执行计划 请按以下结构输出 1. 执行顺序按 Id 列出实际执行次序 2. 可疑点E-Rows 与 A-Rows 偏差、全表扫描、索引失效、笛卡尔积 3. 改写方向SQL 改写 / 索引调整 / 统计信息 4. 验证 SQL用于确认改写效果的查询 执行计划 {plan_text} resp client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], temperature0.2, ) return resp.choices[0].message.content3.2 模型选择与 Coding Plan 的适用边界解读执行计划属于分析类任务对推理能力要求高选长上下文、推理强的模型更稳。如果你是要把「采集 → 解读 → 改写 → 验证」做成一个长期跑的脚本或 Agent用 Coding Plan 更划算入口在 https://taotoken.net/coding-plan 。如果只是临时验证某条 SQL 的改写方向用模型对话页面直接贴执行计划更快入口在 https://taotoken.net/models 。需要说清楚边界TaoToken 不替代 SQL Developer、不替代 AWR 报告、不替代你对自己库的了解。它做的是把执行计划文本里的结构化信息提取出来给出改写候选最终判断和上线还是你来做。4. 验证请求从执行计划文本到改写建议配置好之后跑一次完整验证。下面用一个真实场景某条查询走了 INDEX RANGE SCAN 但 A-Rows 远大于 E-Rows逻辑读偏高。4.1 采集并保存执行计划-- 把 advanced 输出存成文本方便送进模型 SPOOL /tmp/plan_$(sql_id).txt SELECT * FROM TABLE( DBMS_XPLAN.DISPLAY_CURSOR(cndu66r2wpa63, 0, ADVANCED) ); SPOOL OFF4.2 调用模型解读plan_text open(/tmp/plan_cndu66r2wpa63.txt).read() result analyze_plan(plan_text) print(result)4.3 期望的成功结果模型返回的内容应该包含这几项缺哪项说明 prompt 或采集质量有问题执行顺序被明确列出比如「Id 2 → Id 1 → Id 0」而不是笼统说「先扫描后回表」。可疑点里能指出具体偏差比如「E-Rows10A-Rows419680偏差 4 个数量级说明 MAINID 的选择性估算严重失真」。改写方向给出可执行选项比如「考虑在 MAINID 上收集直方图或改写为 UNION ALL 拆分范围」。验证 SQL 能直接跑比如「SELECT COUNT(*) FROM recordlist WHERE MAINID 100000000;」用来确认实际行数。4.4 把验证 SQL 跑一遍确认-- 确认实际行数与执行计划里的 A-Rows 对照 SELECT COUNT(*) FROM recordlist WHERE MAINID 100000000; -- 确认统计信息新鲜度 SELECT table_name, last_analyzed, num_rows, sample_size FROM dba_tables WHERE table_name RECORDLIST; -- 确认列统计信息与直方图 SELECT column_name, num_distinct, density, histogram, last_analyzed FROM dba_tab_col_statistics WHERE table_name RECORDLIST AND column_name MAINID;如果last_analyzed是很久以前或者histogram是 NONE 而数据分布倾斜那改写方向里「收集统计信息」这一条就优先级最高。5. 本篇常见错排查5.1 display_cursor 返回空或只有一行最常见原因是 sql_id 或 child_number 不对或者 SQL 已经被挤出共享池。先确认v$sql里还能查到这条 SQL如果查不到改用display_awr从历史里捞。另一个原因是权限当前用户没有SELECT权限访问v$sql_plan需要 DBA 授权。5.2 advanced 参数报错部分 Oracle 版本对display_cursor的advanced参数支持不一致官方文档里只列了 BASIC、TYPICAL、ALL。如果报错退回ALL再手动补SELECT * FROM v$sql_plan WHERE sql_id... AND child_number...把 COST、CARDINALITY、CPU_COST、IO_COST 取出来拼进文本。5.3 模型解读结果泛泛而谈多半是送进去的执行计划文本被截断或格式乱了。检查三点文本里有没有 Predicate Information 段、有没有 A-Rows 列、有没有 Plan Hash Value。缺任何一项模型都只能给通用建议。另外 temperature 设太高会让输出发散分析类任务建议 0.1 到 0.3。5.4 改写建议和实际不符模型不了解你的数据分布和业务约束它给的是候选方向不是结论。比如它建议加索引但你的表写入极频繁加索引可能拖慢写入。拿到建议后一定要用第 4.4 节的验证 SQL 在测试库跑一遍对比逻辑读、物理读、执行时间三个指标再决定是否上线。5.5 统一 Key 调用报 401 或 404401 检查 Key 是否复制完整、是否有多余空格。404 检查 base_url 是否写成了带路径的形式正确写法是https://taotoken.net/api不要在后面拼/v1或其他路径。如果用的是自建脚本确认环境变量在同一个 shell 会话里生效。6. 把链路固化下来从单次解读到日常流程单次解读跑通之后真正省时间的是把它固化成日常流程。我的做法是写一个 shell 脚本输入 sql_id 和 child_number自动完成采集、调用、输出三件事输出结果直接落到一个带时间戳的文件里方便和上一次的解读对比。#!/bin/bash # plan_analyze.sh SQL_ID$1 CHILD$2 OUT/tmp/plan_${SQL_ID}_${CHILD}_$(date %Y%m%d%H%M).txt sqlplus -S / as sysdba EOF /tmp/plan_raw.txt SET LONG 1000000 SET LINESIZE 300 SELECT * FROM TABLE(DBMS_XPLAN.DISPLAY_CURSOR(${SQL_ID}, ${CHILD}, ADVANCED)); EXIT EOF python3 -c import os, sys sys.path.insert(0, .) from analyze import analyze_plan plan open(/tmp/plan_raw.txt).read() print(analyze_plan(plan)) ${OUT} echo 解读结果已保存到 ${OUT}长期跑的话把 Coding Plan 接进来让脚本在解读之后自动生成改写 SQL 和验证 SQL再自动在测试库执行验证整个链路就闭环了。Coding Plan 的入口在 https://taotoken.net/coding-plan 接入文档在 https://taotoken.net/doc 里面有完整的参数说明和示例。最后说一个实际踩过的坑不要一上来就改 SQL。先把执行计划采全确认 E-Rows 和 A-Rows 的偏差出在哪一步再决定是收集统计信息、加索引还是改写。很多「慢 SQL」的根因是统计信息过期改 SQL 反而绕远了。执行计划解读的价值不在于看懂那张表而在于知道下一步该动哪里。