「慢查询优化」智能体 Skill 是什么：能做什么、适合谁、怎么开始
后端与数据工程师经常要做「慢查询优化」这类事：分析执行计划，给出索引与改写建议。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。
一句话说明
「慢查询优化」技能让智能体分析执行计划，给出索引与改写建议。你提供慢查询与执行计划，它按固定步骤处理，交付优化建议。
| 项目 | 说明 |
|---|---|
| 技能 | 慢查询优化（slow-query-tuning） |
| 作用 | 分析执行计划，给出索引与改写建议 |
| 输入 | 慢查询与执行计划 |
| 输出 | 优化建议 |
| 形态 | 纯提示词 |
| 风险 | 中 |
| 适用人群 | 后端与数据工程师 |
它解决什么问题
没有技能时，后端与数据工程师每次都要重新描述要求，智能体的输出时详时略、格式不一，关键的检查步骤也经常被跳过。把流程写成技能后：
- 每次都按同样的顺序执行：解读执行计划→找出全表扫描与排序→建议索引或改写→对比优化前后
- 输出结构固定，便于复核和归档
- 领域规矩（如「默认使用只读连接，任何写操作都要人工确认」）写在技能里，不靠临时提醒
适合与不适合
适合：经常处理慢查询与执行计划、希望结果格式统一、愿意花十分钟把流程写清楚的后端与数据工程师。
不适合：一次性的临时任务；需要大量现场判断、无法写成步骤的工作；以及没有人复核就要直接对外使用的场景。
可以在哪些平台实现
同一个技能的思路可以落在不同平台上，常见选择有：
- GitHub Copilot 指令与提示文件：GitHub Copilot 支持仓库级自定义指令文件
.github/copilot-instructions.md - MCP 服务：MCP（模型上下文协议）是一个开放协议
- LangChain / LangGraph 工具：LangChain 用 @tool 装饰器把函数变成工具
- 扣子（Coze）智能体与工作流：扣子（Coze）是字节跳动推出的智能体开发平台
怎么开始
建议先用纯提示词版本在日常对话助手里试几次，确认步骤合理；再按SKILL.md 写法封装成技能；最后用测试用例验收。
这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；属于中等风险：结果会影响业务判断，建议在输出前设置人工审核点。
智能体与人的分工
技能不是把工作全部交出去，而是把重复、机械的部分交给智能体，人把住判断和责任：
| 步骤 | 智能体负责 | 人负责 |
|---|---|---|
| 解读执行计划 | 按指令完成并给出依据 | 抽查关键处，确认无误 |
| 找出全表扫描与排序 | 按指令完成并给出依据 | 抽查关键处，确认无误 |
| 建议索引或改写 | 按指令完成并给出依据 | 抽查关键处，确认无误 |
| 对比优化前后 | 按指令完成并给出依据 | 抽查关键处，确认无误 |
| 最终交付 | 整理优化建议 | 决定是否采用、是否对外 |
属于中等风险：结果会影响业务判断，建议在输出前设置人工审核点。
准备一份好范例
在技能的参考资料里放一份你认可的优化建议范例，往往比多写十条规则更有效。好范例应当：
- 来自真实工作，但已去除个人信息和敏感数据
- 体现团队习惯的结构、措辞和详略程度
- 包含一处“需人工确认”的标注示范，让智能体学会如何表达不确定
- 篇幅适中，不要比平时的产出长太多
范例不必多，一到两份即可；太多范例反而会让智能体机械模仿某一份的细节。
延伸阅读
- 慢查询优化 · Function Calling 版
- 慢查询优化 · 扣子（Coze）智能体与工作流 版
- 慢查询优化 · 测试用例
- 数据字典生成 · 介绍
- SQL 方言转换 · 介绍
- 智能体Skills 分类：625 个技能 × 32 个角度
说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。