用 LangGraph 实现「慢查询优化」：工具定义与智能体代码

「慢查询优化」是后端与数据工程师的高频任务。它的输入通常是慢查询与执行计划，期望得到的是优化建议。这类有固定流程、又需要一点判断力的工作，很适合封装成智能体 Skill。

本文介绍如何在 LangChain / LangGraph 工具 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

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

处理流程分四步：

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

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。

在 LangChain / LangGraph 工具中是什么形态

LangChain 用 @tool 装饰器把函数变成工具，LangGraph 提供预置的 ReAct 智能体，也可以自己画状态图，把技能拆成可观察、可重试的节点。

代码运行在你的环境中；流程复杂时建议从预置智能体起步，再逐步换成自定义图。

示例配置

# 示意代码：LangChain 工具 + LangGraph 预置 ReAct 智能体
from langchain_core.tools import tool
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

@tool
def slow_query_tuning_precheck(content: str) -> str:
    """检查慢查询与执行计划是否齐全，返回缺失项。"""
    return "ok" if content.strip() else "输入为空"

model = init_chat_model("你的模型标识")
agent = create_react_agent(
    model, tools=[slow_query_tuning_precheck],
    prompt="你负责慢查询优化：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。",
)
out = agent.invoke({"messages": [("user", "这是慢查询与执行计划：...")]})

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在后端与数据工程师提出相关请求时能对上号；二是约束部分要写进「默认使用只读连接，任何写操作都要人工确认」这类领域规矩，避免智能体自作主张。

安装与启用步骤

安装 LangChain 与 LangGraph
用 @tool 定义预检查、读取等工具
用预置智能体快速跑通
需要固定流程时改为自定义状态图，每一步一个节点
接入追踪工具观察每一步

实操：一次完整的运行

假设你在数据库客户端与查询工具中发出这样的请求（虚构示例）：

用慢查询优化技能处理这份慢查询与执行计划，输出优化建议。

智能体识别到任务与「慢查询优化」相关后，会依次解读执行计划、找出全表扫描与排序、建议索引或改写、对比优化前后。最终交付优化建议，并在末尾列出需要人工确认的内容。你的工作是对照原始慢查询与执行计划抽查两三处关键信息，确认无误后再使用。

测试与验收

对每个节点单独写测试，再跑一次端到端用例。

针对这个技能，还建议额外准备：

一份信息齐全的标准慢查询与执行计划，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

一开始就设计复杂的多节点图，调试成本高。
工具 docstring 缺失，模型不知道如何使用。
只写了步骤，没写交付格式，导致每次输出的优化建议结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

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。