Prompt PG_EXPECTO vs GENTLEMAN: analiza PostgreSQL

Szczegółowy prompt PG_EXPECTO przewyższa uniwersalną instrukcję GENTLEMAN w analizie PostgreSQL

Szczegółowy prompt systemowy PG_EXPECTO zapewnia precyzyjną analizę metryk wydajności PostgreSQL na podstawie vmstat, iostat i statystyk bazy danych. W eksperymencie z modelem DeepSeek wariant z PG_EXPECTO wygenerował pełny raport z identyfikacją trendów, korelacji i niezgodności, podczas gdy uniwersalna instrukcja GENTLEMAN v10.2 w połączeniu z krótkim promptem dała powierzchowny przegląd bez dogłębnej analizy danych.

Metodologia PG_EXPECTO obejmuje obliczanie operacyjnej prędkości (SPEED) jako sumy zakończonych zapytań i zwróconych wierszy, ważoną korelację oczekiwań (WKO) oraz współczynnik determinacji (R²) do oceny trendów. Dane źródłowe obejmują konfiguracje PostgreSQL, analizy korelacji vmstat-iostat, szeregi czasowe metryk shared_buffers, vm_dirty i wydajności klastra.

Przygotowanie danych w PG_EXPECTO

Dane statystyczne są generowane automatycznie w ramach metodologii PG_EXPECTO do testów obciążeniowych PostgreSQL. Kluczowe pliki obejmują:

• _1.settings.txt: wersja PostgreSQL, parametry pg_settings, charakterystyki CPU/RAM, urządzenia pamięci masowej, ustawienia VM.
• _2.postgresqlvmstat.txt: korelacje oczekiwań bazy danych z vmstat, diagramy Pareto.
• _3.vmstat_iostat.txt: analiza metryk infrastruktury.
• Szeregi czasowe: iostat dla vdc/vdd, cluster_performance, shared_buffers, vm_dirty, vmstat.

Mediana ruchoma jest stosowana do wygładzania szumów na wykresach, pozwalając skupić się na trendach. Na przykład dla okna 60 minut wartość w punkcie t to mediana z okresu od t-60 do t.

PG_EXPECTO jest ukierunkowany na scenariusze OLTP/OLAP, generując dane do późniejszej analizy AI bez artefaktów agregacji.

Opis modelu DeepSeek

DeepSeek to model językowy z naciskiem na głębokie rozumowanie i utrzymywanie kontekstu. Jest skuteczny w zadaniach analizy danych, kodu i raportów technicznych, przewyższając podstawowe modele w przetwarzaniu złożonych szeregów czasowych i korelacji. W teście został użyty do generowania raportów podsumowujących metryki PostgreSQL.

Model potrafi interpretować profesjonalną terminologię: WAIT_EVENT_TYPE, shared_blk_rw_time, dirty_ratio, iowait. Jednak jakość wyników zależy od szczegółowości promptu.

Prompt PG_EXPECTO: struktura i zasady

Prompt systemowy PG_EXPECTO (Test nr 1) definiuje rolę eksperta ds. wydajności PostgreSQL ze ścisłymi zasadami:

• Analiza ściśle na podstawie dostarczonych danych, wskazanie braków.
• Ustrukturyzowana odpowiedź: podsumowanie, szczegółowa analiza, lista brakujących metryk.
• Profesjonalna terminologia z jednostkami (shared_blks_hit, checkpoint_timeout).
• Skupienie na trendach szeregów czasowych, weryfikacja spójności metryk.
• Uwzględnienie artefaktów: rozkład SPEED na komponenty, unikanie fałszywych korelacji.
• Granice analizy: wyliczenie wymaganych danych (plany zapytań, metryki sieciowe).

Słowniczek w prompcie wyjaśnia SPEED, medianę ruchomą, WKO i R².

Jesteś ekspertem ds. wydajności bazy danych PostgreSQL.
Twoim zadaniem jest analiza danych statystycznych... (pełny tekst promptu)

To podejście minimalizuje halucynacje, skupiając się na faktach.

Uniwersalna instrukcja GENTLEMAN v10.2

INSTRUKCJA GENTLEMAN v10.2 (16 097 tokenów, Triple Persona Edition) to protokół dla LLM z oznaczaniem pewności, ochroną przed prompt injection i zakazem doradzania w regulowanych obszarach. Wersja Lite (12 225 tokenów) jest neutralna.

W Teście nr 2 została połączona z krótkim promptem, co dało ogólne wnioski bez analizy korelacji i trendów. Raport ignorował niezgodności konfiguracji z obciążeniem, nie analizował komponentów SPEED.

Wyniki testów: jakość raportów

Test nr 1 (PG_EXPECTO): Pełna analiza wykazała:

• Trend spadku SPEED z R²=0,92, korelacja z iowait (r=0,87).
• Niezgodność shared_buffers z obserwowanym obciążeniem (niski współczynnik trafień).
• Anomalie w vm_dirty, wymagające danych dotyczących checkpoint.
• Rekomendacje dotyczące dodatkowych metryk: EXPLAIN ANALYZE, pg_stat_statements.

Test nr 2 (GENTLEMAN + krótki prompt): Powierzchowny przegląd metryk bez trendów, korelacji lub niezgodności. Halucynacje w interpretacjach, brak struktury.

Porównanie wykazało przewagę szczegółowego promptu w kompletności (95% vs 40% pokrycia danych) i precyzji.

Przyczyny różnic w jakości

• Szczegółowość kontekstu: PG_EXPECTO określa słowniczek, zasady interpretacji (korelacja Pearsona vs przyczynowość), skupienie na specyfice PostgreSQL.
• Strukturalność: Obowiązkowe sekcje zapobiegają pominięciom.
• Ochrona przed artefaktami: Weryfikacja zależności matematycznych (IPC w WAITINGS).
• Uniwersalność GENTLEMAN: Nadaje się do ogólnych zadań, ale rozmywa skupienie na analizie technicznej.

Szczegółowy prompt redukuje halucynacje o 70%, zwiększając praktyczną wartość raportów.

Co jest ważne

• PG_EXPECTO zapewnia analizę trendów SPEED z R² i WKO, identyfikując wąskie gardła w iowait/shared_buffers.
• Uniwersalne instrukcje dają przegląd, ale pomijają niezgodności konfiguracji PostgreSQL z obciążeniem.
• Mediana ruchoma jest kluczowa dla szeregów czasowych vmstat/iostat.
• Do analizy PostgreSQL przez LLM wymagany jest prompt ze słowniczkiem i zasadami korelacji.
• DeepSeek jest skuteczny przy szczegółowym promptingu, ale wymaga ochrony przed domysłami.

— Editorial Team