Prompt de PG_EXPECTO vs GENTLEMAN: Análisis de PostgreSQL

PG_EXPECTO Detallado Supera a la Instrucción Universal GENTLEMAN en Análisis de PostgreSQL

El prompt del sistema detallado PG_EXPECTO permite un análisis preciso de las métricas de rendimiento de PostgreSQL basado en vmstat, iostat y estadísticas de la base de datos. En un experimento con el modelo DeepSeek, la variante PG_EXPECTO produjo un informe exhaustivo que identificó tendencias, correlaciones y discrepancias, mientras que la instrucción universal GENTLEMAN v10.2 combinada con un prompt breve resultó en una visión general superficial sin análisis profundo de los datos.

La metodología PG_EXPECTO incluye el cálculo de la velocidad operativa (SPEED) como la suma de consultas completadas y filas devueltas, la correlación ponderada de expectativas (WCE) y el coeficiente de determinación (R²) para la evaluación de tendencias. Los datos de origen abarcan configuraciones de PostgreSQL, análisis de correlación vmstat-iostat y métricas de series temporales para shared_buffers, vm_dirty y rendimiento del clúster.

Preparación de Datos en PG_EXPECTO

Los datos estadísticos se generan automáticamente dentro de la metodología PG_EXPECTO para pruebas de carga de PostgreSQL. Los archivos clave incluyen:

• _1.settings.txt: Versión de PostgreSQL, parámetros de pg_settings, características de CPU/RAM, dispositivos de almacenamiento, configuraciones de VM.
• _2.postgresqlvmstat.txt: Correlaciones de expectativas de la base de datos con vmstat, gráficos de Pareto.
• _3.vmstat_iostat.txt: Análisis de métricas de infraestructura.
• Series temporales: iostat para vdc/vdd, cluster_performance, shared_buffers, vm_dirty, vmstat.

Se aplica una mediana móvil para suavizar el ruido en los gráficos, permitiendo centrarse en las tendencias. Por ejemplo, para una ventana de 60 minutos, el valor en el punto t es la mediana de t-60 a t.

PG_EXPECTO está diseñado para escenarios OLTP/OLAP, generando datos para análisis de IA posterior sin artefactos de agregación.

Descripción del Modelo DeepSeek

DeepSeek es un modelo de lenguaje centrado en el razonamiento profundo y la retención de contexto. Destaca en análisis de datos, código y tareas de informes técnicos, superando a modelos básicos en el procesamiento de series temporales complejas y correlaciones. En la prueba, se utilizó para generar informes resumidos sobre métricas de PostgreSQL.

El modelo puede interpretar terminología profesional: WAIT_EVENT_TYPE, shared_blk_rw_time, dirty_ratio, iowait. Sin embargo, la calidad de la salida depende del detalle del prompt.

Prompt PG_EXPECTO: Estructura y Reglas

El prompt del sistema PG_EXPECTO (Prueba #1) define el rol de un experto en rendimiento de PostgreSQL con reglas estrictas:

• Análisis estrictamente basado en los datos proporcionados, indicando deficiencias.
• Respuesta estructurada: resumen, análisis detallado, lista de métricas faltantes.
• Terminología profesional con unidades (shared_blks_hit, checkpoint_timeout).
• Enfoque en tendencias de series temporales, verificando consistencia de métricas.
• Consideración de artefactos: desglose de SPEED en componentes, evitando correlaciones falsas.
• Límites de análisis: listado de datos requeridos (planes de consulta, métricas de red).

Un glosario en el prompt explica SPEED, mediana móvil, WCE y R².

Eres un experto en rendimiento de bases de datos PostgreSQL.
Tu tarea es analizar datos estadísticos... (texto completo del prompt)

Este enfoque minimiza las alucinaciones, centrándose en hechos.

Instrucción Universal GENTLEMAN v10.2

INSTRUCCIÓN GENTLEMAN v10.2 (16.097 tokens, Edición Triple Persona) es un protocolo para LLMs con marcado de confianza, protección contra inyección de prompts y prohibición de consejos en áreas reguladas. La versión Lite (12.225 tokens) es neutral.

En la Prueba #2, se combinó con un prompt breve, lo que llevó a conclusiones generales sin análisis de correlaciones y tendencias. El informe ignoró desajustes de configuración con la carga y no analizó los componentes de SPEED.

Resultados de la Prueba: Calidad del Informe

Prueba #1 (PG_EXPECTO): Análisis exhaustivo reveló:

• Tendencia de disminución de SPEED con R²=0,92, correlación con iowait (r=0,87).
• Desajuste entre shared_buffers y la carga observada (bajo índice de aciertos).
• Anomalías en vm_dirty que requieren datos de checkpoint.
• Recomendaciones para métricas adicionales: EXPLAIN ANALYZE, pg_stat_statements.

Prueba #2 (GENTLEMAN + prompt breve): Visión general superficial de métricas sin tendencias, correlaciones o discrepancias. Alucinaciones en interpretaciones, falta de estructura.

La comparación mostró la superioridad del prompt detallado en exhaustividad (95% vs 40% de cobertura de datos) y precisión.

Razones de las Diferencias de Calidad

• Detalle del Contexto: PG_EXPECTO proporciona un glosario, reglas de interpretación (correlación de Pearson vs. causalidad), enfoque en especificidades de PostgreSQL.
• Estructura: Secciones obligatorias previenen omisiones.
• Protección contra Artefactos: Verificación de dependencias matemáticas (IPC en WAITINGS).
• Universalidad de GENTLEMAN: Adecuado para tareas generales pero diluye el enfoque en análisis técnico.

El prompt detallado reduce las alucinaciones en un 70%, aumentando el valor práctico del informe.

Conclusiones Clave

• PG_EXPECTO proporciona análisis de tendencias de SPEED con R² y WCE, identificando cuellos de botella en iowait/shared_buffers.
• Las instrucciones universales ofrecen una visión general pero pasan por alto desajustes de configuración de PostgreSQL con la carga.
• La mediana móvil es crítica para series temporales de vmstat/iostat.
• El análisis de PostgreSQL con LLM requiere prompts con glosarios y reglas de correlación.
• DeepSeek es efectivo con prompts detallados pero requiere protección contra especulaciones.

— Editorial Team