QueryDoctor

给数据库看病的 AI 医生。连接你的数据库，它会自动抓取慢查询，分析 EXPLAIN 执行计划，定位性能瓶颈，给出索引优化和 SQL 改写建议。不是一次性诊断——LangGraph 驱动的自迭代机制让它能反复验证自己的优化方案。

挑战

数据库诊断不是简单的文本生成——需要真正连接数据库、执行查询、解读结果。如何让 LLM 在多轮工具调用中保持诊断逻辑的连贯性？如何支持四种完全不同的数据库系统而不让代码爆炸？

方案

三层架构：React 前端 → Go (Gin) API 网关 → Python (FastAPI + LangGraph) Agent 引擎。Go 网关负责认证和路由，Python Agent 负责诊断逻辑。通过 Redis Streams 解耦前后端通信，Agent 的每一步推理都通过 SSE 实时推送到前端。LangGraph 的状态图让诊断流程可以自迭代——发现新问题时自动回溯重新分析。

亮点

• 01

  LangGraph Agent：状态图驱动的自迭代诊断，支持回溯和多轮工具调用

• 02

  四库支持：MySQL / PostgreSQL / MongoDB / Redis，统一诊断接口

• 03

  三层架构：React → Go 网关 → Python Agent，Redis Streams 异步解耦

• 04

  RAG 经验库：诊断结果向量化入库，积累越多诊断越精准

• 05

  SSE + WebSocket 双通道，诊断推理过程实时可见

成果

支持 MySQL、PostgreSQL、MongoDB、Redis 四种数据库的自动化诊断。RAG 知识库积累诊断经验，越用越准。SSE + WebSocket 双通道实时通信，诊断过程完全透明。

反思与收获

LangGraph 的状态图模型非常适合这种需要"思考-行动-观察"循环的场景。最大的教训是 Agent 的错误处理——LLM 生成的 SQL 可能有语法错误，必须在 Agent 层做好 fallback 而不是让整个诊断流程崩溃。Go + Python 的混合架构在这个项目里证明了自己：Go 处理高并发网关，Python 处理 AI 逻辑，各司其职。