北京
我让Claude对我的Oracle数据库执行"DROP TABLE"。它试了。防护栏拦住了。审计日志记下了。这就是mcp-oracle-dba仓库首页的演示截图——我这周末发布的两个开源项目之一。另一个是oracle-ebs-rag，一个基于Oracle Database 23ai原生向量搜索的检索增强对话助手，跑在Oracle E-Business Suite的故障笔记上。
两个项目都是MIT协议。数据集完全合成。这篇文章聊的是踩坑经验——不是"怎么调embedding API"那种教程，而是每个都让我挠头一小时的工程教训。如果你是旁观的Oracle DBA，希望这篇能替你省掉这些时间。
2026年的叙事是"AI正在取代DBA"。现实更接近："能交付AI基础设施的DBA取代不能的"。生产级AI大部分是基础设施：连接池、语句超时、审计日志、schema白名单、PII脱敏、提示缓存、成本监控——全是DBA天天在想的事。不是ML研究。
我是Oracle Apps DBA，日常工作是跑生产Oracle E-Business Suite R12.2：升级、克隆、打补丁、adop排障、性能调优，外加Oracle 19c的DBA工作。Ansible做自动化，OCI上云。标准栈。
意外的是，Oracle技能迁移得比预期干净。新东西很小，工程脚手架才是大头。
第一个项目：跟EBS对话。一个聊天界面，我用自然语言问EBS生产场景，系统返回带引用来源的 grounded 回答。
技术栈：Oracle Database 23ai Free跑在Docker里（Apple Silicon用OrbStack），原生VECTOR(1024, FLOAT32)数据类型，VECTOR_DISTANCE函数做余弦相似度。没有外部向量库，没有Pinecone、Weaviate、Milvus。Cohere的embed-english-v3.0做embedding（1024维，免费额度够用）。Claude Sonnet加提示缓存做生成。Streamlit聊天界面，流式响应、引用面板、侧边栏实时显示成本和缓存命中率。uv管Python项目。
数据集是3条合成故障笔记，覆盖并发管理器排障、工作流邮件问题、adop补丁失败。每条笔记带YAML frontmatter，按Markdown H2标题（症状/诊断/根因/解决）切成5-6块。向量库总共约17块。
评估用Claude Haiku当裁判，跑10题黄金集。当前基线：
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
