KeyFrame內部研究專用

We Scored Oracle's Database Skill Live: 95% Isn't Enough

Tessl AI14 min英文
觀看原始影片

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

  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

  • 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

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

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。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。