Можно ли поручить ИИ-ассистенту первичный разбор медленных запросов и блокировок в продакшене PostgreSQL, не рискуя уронить сервер или раскрыть данные таблиц? В этой заметке я покажу, как релиз Datasentinel 2026.10 решает эту задачу через модуль AI Connector, переводя расследование сбоев БД в безопасный диалог на естественном языке.
От сотен графиков к контекстному диалогу: как устроен AI Connector поверх MCP и Skills
Вокруг подключения нейросетей к БД держится стойкая иллюзия: кажется, будто ассистенту нужно отдать пароли от PostgreSQL, после чего модель начнёт гонять тяжёлые запросы по живым таблицам. Когда я изучил устройство Datasentinel (команда также развивает открытое расширение pg_datasentinel), меня зацепило именно архитектурное разделение: ИИ вообще не получает сетевого доступа к СУБД.
Модуль AI Connector объединяет два компонента: платформенный MCP-сервер (Model Context Protocol — открытый протокол связи языковых моделей с внешними инструментами), отдающий собранную телеметрию, и профиль Skill, направляющий рассуждения модели по методике DBA. Коннектор работает с Claude, ChatGPT, Gemini, Microsoft Copilot и GitHub Copilot из десктопного клиента, терминала или IDE.
Проверим это на сквозном сценарии с инстансом prod-eu-1. Утром ты открываешь чат с Claude и спрашиваешь: «Что происходило на prod-eu-1 с 08:00 до 10:00 и почему база заказов тормозила в 9:00?». Ассистент запрашивает метрики через MCP и выдаёт ранжированный по влиянию список причин с доказательствами и следующим шагом. Контекст диалога сохраняется: за пару реплик ты спускаешься от обзора флота до одного плана запроса либо просишь собрать дашборд (например, через Claude Artifacts) или HTML-отчёт.
Практические сценарии диагностики и цена удобства на инстансе prod-eu-1
В повседневной работе на prod-eu-1 такой диалог закрывает рутину без громоздких SQL-запросов к системным каталогам:
- Сравнение до и после деплоя: по запросу «Сравни
prod-eu-1сегодня с 08:00 до 10:00 со вчерашним окном: есть ли регрессия?» модель сверяет профили нагрузки и планы запросов между двумя периодами; - Живой разбор блокировок и автовакуума: ассистент показывает активные сессии, цепочки блокировок (кто кого держит), недостающие или лишние индексы и проверяет отставание очистки мёртвых строк (
autovacuum lagging).
Проверка планов не нагружает прод: новая функция datasentinel_analytics (требует Agent v4.0.0+) даёт read-only доступ к статистике планировщика и строит расчётные планы (estimated execution plans) без физического запуска SQL.
Взвесим выгоду и цену этого удобства. Ты экономишь время на триаже и настраиваешь ежедневные сводки через отзываемые токены. Вход защищён OAuth 2.1 без паролей БД, права в чате повторяют веб-интерфейс (живой анализ требует отдельной привилегии), а строки таблиц не покидают базу. Обратная сторона: AI Connector поставляется как платный аддон (есть бесплатная read-only песочница), а в выбранную LLM уходят метрики, текст SQL, планы выполнения и имена объектов схемы.
Также релиз 2026.10 ускорил сборку компактных PDF-отчётов Workload с деталями блокировок и ожиданий, добавил MCP-сервер документации, автоочистку неактивных инстансов, единые фильтры безагентного мониторинга и патчи зависимостей. Сравнить этот подход с соседним решением можно в нашем разборе Dasha 1.10, где MCP применяется для диагностики кластеров Patroni.
Чтобы безопасно встроить ИИ-диагностику в работу, держи в памяти три правила:
- Поручай ассистенту первичный триаж: используй чат для поиска блокировок, сверки окон после релиза и контроля
autovacuum; - Учитывай чувствительность схемы: помни, что текст запросов и имена таблиц уходят во внешний API модели;
- Проверяй рекомендации перед DDL: опирайся на расчётные планы
datasentinel_analytics, но создание индекса на пишущих таблицах валидируй сам.
Такой баланс позволяет смело отдать ИИ черновую аналитику сбоев в PostgreSQL, сохранив контроль над боевой базой.



