We Scored Oracle's Database Skill Live: 95% Isn't Enough
三句話摘要
如何利用 Oracle Skills 庫補充 Claude AI Agent 的領域知識，減少幻覺、提升數據庫工作流的可靠性。 通過精心組織的技能庫和自動化質量評審機制，可以將分散的領域專業知識系統化為 Agent 的強大助手，同時大幅提升複雜任務的可靠性和安全性。 技能補充 Agent 的不足：AI Agent 在處理特定領域複雜操作（如 SQL 語法、圖形數據庫、性能診斷）時容易生成錯誤或不安全的代碼。技能通過將經驗驗證的代碼片段和流程直接嵌入 Agent 的上下文，大幅降低幻覺風險，確保輸出遵循安全最佳實踐。
重點整理
重點- 1
技能補充 Agent 的不足：AI Agent 在處理特定領域複雜操作（如 SQL 語法、圖形數據庫、性能診斷）時容易生成錯誤或不安全的代碼。技能通過將經驗驗證的代碼片段和流程直接嵌入 Agent 的上下文，大幅降低幻覺風險，確保輸出遵循安全最佳實踐。
- 2
集體知識的系統化：這些技能是 Oracle 多個領域專家（開發者、產品經理、DBA 等）數百年經驗的積累，沒有個人能掌握全部知識。技能庫將這些分散的專業知識統一存放，使任何開發者都能存取完整的領域智慧。
- 3
層級化設計提升易用性：技能按產品分類（數據庫、應用等），再按功能細分（容器、SQL、性能等）。Agent 根據任務在樹形結構中逐步導航，既避免信息超載，也確保返回的知識高度相關。
- 4
自動化評審與持續改進：使用 Tesla 評審工具驗證技能質量，初期達 95% 成功率後，根據工具建議迭代改進可達 100%。這套機制將質量保證自動化，讓技能所有者快速識別缺陷。
實用技巧與重點
乾貨- 倉庫：GitHub oracle/oracle-skills
- 成功率：初始 95%、改進後 100%
- 覆蓋領域：向量搜尋、關聯式、圖形、空間、JSON 文檔（多模型數據庫）
- 評審工具：Tesla agent / Tesla review
- 關鍵元數據：name、description（決定 Agent 何時觸發技能）
- 容器示例內容：Docker 倉庫路徑、pull 命令、run 指令、ADB Free 設置指南
- 性能診斷建議序列：Explain Plan → Wait Events → Optimise Stats → AWR Reports
- 改進建議類型：新增慢查詢診斷驗證步驟
- 適用用戶：開發者、DBA、DevOps、任何數據庫用戶
結論
結論“通過精心組織的技能庫和自動化質量評審機制，可以將分散的領域專業知識系統化為 Agent 的強大助手，同時大幅提升複雜任務的可靠性和安全性。”
完整解析
詳細當 AI Agent 獨立解決複雜的領域問題時，常常陷入幻覺——生成聽起來合理但實際錯誤的代碼。Oracle 在 AI Engineer 大會上展示的 Skills 系統就是針對這個問題的解決方案。通過構建一套組織精良的技能庫，他們將數十年的數據庫經驗編碼成 Agent 可直接使用的知識資產。
技能的核心價值在於「不只教會 Agent 如何做，更要教會如何做得好」。舉例來說，在寫 SQL 時，技能不僅提供語法範例，更會標注安全最佳實踐、效能考量和容易踩的坑。當 Agent 遇到「如何優化這個查詢」的問題時，它可以直接拿到驗證過的步驟序列（Explain Plan → Wait Events → Stats 優化 → AWR 報告分析），避免走彎路或生成不安全的代碼。
這套系統的可擴展性來自於精心的架構設計。技能按產品分層（如數據庫下有容器、SQL、性能診斷等子領域），形成樹形結構。Agent 根據使用者的意圖逐級導航，這樣既能複用通用知識，又能深入到特定領域的細節。對於 DBA 和開發者來說，系統並未強制要求掌握全部內容——只需問出清楚的問題，Agent 就能在正確的層級找到答案。
更有趣的是，講者 Anders 本身就用 Skills 來編碼他作為軟體工程師多年來建立的開發流程。他創建了多個相互協作的子 Agent 工作流，每個都對應軟體開發生命週期的不同階段——需求分析、代碼編寫、測試、審查、部署。通過 Skills 將這些經驗模式固化，他讓任何新加入的開發者都能遵循同樣的高標準。這展示了 Skills 的真正威力：不只是知識庫，更是將人類專家的工作方式系統化。
演示中使用的自動評審工具（Tesla Review）進一步提升了整個系統的可信度。這個工具對每個技能進行品質檢查，初期得分 95%，然後根據建議自動補充缺失的內容（例如慢查詢診斷驗證步驟），最終達到 100%。這種迭代改進的自動化大大降低了維護成本，讓技能庫能夠持續演進而不陷入人工維護的困境。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
