ORACLE SQL解析之硬解析和软解析：用 TaoToken 统一 Key 打通 AI 辅助排查配置

1. 硬解析和软解析到底在争什么ORACLE 里每条 SQL 从客户端发到数据库都要先经过一次「解析」才能执行。解析分两种硬解析和软解析。硬解析要做语法检查、对象与权限校验、优化器生成执行计划、把游标装载进 library cache 的 heap其中优化器那一步最吃 CPU软解析则是 SQL 文本的 Hash 值在 library cache 里命中了已有游标直接复用缓存的执行计划省掉优化器运算。再往下还有一层「软软解析」当session_cached_cursors打开、同一会话第三次执行相同 SQL 时游标信息被挪进 PGA 的 session cursor cache下次连 library cache 的 latch 都不用抢。DBA 真正头疼的场景是 shared pool 争用和 cursor 复用率低parse count (hard)居高不下session cursor cache hits占比难看AWR 里library cache相关等待事件冒头。这时候光靠肉眼看v$sql、v$sqlarea的输出很容易漏掉细节尤其是 SQL 文本因为字面量不同被拆成几百个版本的情况。我试过把这类输出丢给 AI 工具做归类分析但多个工具各配各的 Key、各走各的通道管理起来很碎。这篇就讲怎么用 TaoToken 统一 Key 打通 AI 辅助排查链路同时把硬解析/软解析的判定逻辑和可复制的配置骨架一起交付。适合谁看正在排查 shared pool 争用、cursor 复用率低的 DBA以及想把 AI 分析能力接进日常巡检脚本的运维同学。核心检索词先摆出来——ORACLE SQL 硬解析与软解析的判定、v$sql/v$sqlarea输出分析、session_cached_cursors调优、TaoToken 统一 Key 接入。2. TaoToken 前置统一 Key 与 API 通道TaoToken 在这里扮演的角色是「一个 Key 走通多个 AI 工具」的接入层。你不需要给每个分析工具单独申请凭证、单独维护通道而是拿一个统一 Key通过兼容 OpenAI 风格的 API 端点去调用模型。对 DBA 来说好处是排查脚本里只维护一份配置换模型或加工具时改一处即可。先拿到 Key访问控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 在 API Keys 页面创建密钥地址是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。API 基址用 https://taotoken.net/api 注意这个地址不带 UTM 参数直接写进配置即可。注意Key 只放在本地配置文件或环境变量里不要硬编码进 SQL 脚本或提交到版本库。生产库的v$sql输出可能含敏感 SQL 文本脱敏后再送分析。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面写了请求格式和可用模型。如果你只是临时验证某个模型对 SQL 执行计划的理解能力可以直接用模型对话页 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 试跑如果是长期做编码类、Agent 类的自动化排查走 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 更划算。3. 可复制配置config.toml 与 settings.json 骨架下面给两份骨架一份给 Python 分析脚本用config.toml一份给支持 JSON 配置的编辑器/Agent 工具用settings.json。两份都指向同一个 TaoToken 端点Key 从环境变量读避免明文。先看config.toml# config.toml —— ORACLE 解析分析脚本的 AI 通道配置 [ai] provider taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY # 从环境变量读取不写明文 model gpt-4o-mini # 按需替换为文档中可用模型 timeout 60 max_retries 3 [oracle] dsn dbhost:1521/ORCLPDB1 user system password_env ORACLE_PWD # 只读账号即可分析 v$ 视图不需要 DDL 权限 [analysis] # 送 AI 前先脱敏把字面量替换为绑定变量占位 mask_literals true top_n_sql 50再看settings.json适合编辑器插件或 Agent 工具{ ai.provider: taotoken, ai.baseUrl: https://taotoken.net/api, ai.apiKeyEnv: TAOTOKEN_API_KEY, ai.model: gpt-4o-mini, ai.timeoutMs: 60000, oracle.readonly: true, oracle.maskLiterals: true, analysis.topNSql: 50, analysis.focusViews: [v$sql, v$sqlarea, v$sysstat] }设置环境变量Linux/macOSexport TAOTOKEN_API_KEY你的Key export ORACLE_PWD你的只读账号密码Windows PowerShell$env:TAOTOKEN_API_KEY 你的Key $env:ORACLE_PWD 你的只读账号密码两份配置的关键点一致base_url指向https://taotoken.net/apiKey 走环境变量Oracle 侧用只读账号。这样即使脚本被分享也不会泄露凭证。4. 验证请求与成功结果判定解析类型与复用率配置好之后先跑一组 SQL 确认当前实例的解析状况再把输出送 AI 分析。第一步是查解析计数-- 查看解析相关统计 SELECT name, value FROM v$sysstat WHERE name IN ( parse count (total), parse count (hard), parse count (failures), session cursor cache hits, session cursor cache count, opened cursors cumulative, opened cursors current ) ORDER BY name;第二步算硬解析占比和 session cursor cache 命中率。硬解析占比 parse count (hard)/parse count (total)这个值越低越好session cursor cache 命中率 session cursor cache hits/parse count (total)越高说明软软解析生效越多。-- 硬解析占比与软软解析命中率 SELECT ROUND(100 * MAX(CASE WHEN nameparse count (hard) THEN value END) / NULLIF(MAX(CASE WHEN nameparse count (total) THEN value END),0), 2) AS hard_parse_pct, ROUND(100 * MAX(CASE WHEN namesession cursor cache hits THEN value END) / NULLIF(MAX(CASE WHEN nameparse count (total) THEN value END),0), 2) AS scc_hit_pct FROM v$sysstat WHERE name IN (parse count (hard),parse count (total),session cursor cache hits);第三步找出复用率低的 SQL重点看v$sqlarea里executions少但parse_calls多的条目以及v$sql里同一sql_text因字面量不同产生的多个sql_id-- 复用率低的 SQL执行次数少、解析次数相对多 SELECT sql_id, executions, parse_calls, loads, ROUND(executions / NULLIF(parse_calls,0), 2) AS exec_per_parse, SUBSTR(sql_text, 1, 80) AS sql_snippet FROM v$sqlarea WHERE parse_calls 10 ORDER BY exec_per_parse ASC FETCH FIRST 20 ROWS ONLY;把上面三段输出脱敏后拼成一段文本通过 TaoToken 端点发给模型让它归类哪些 SQL 属于「字面量未绑定变量」、哪些属于「游标未缓存」。请求示例curl -s https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: gpt-4o-mini, messages: [ {role: system, content: 你是 ORACLE 性能分析助手只根据给定统计输出判断硬解析/软解析问题给出可执行建议。}, {role: user, content: 以下是 v$sysstat 与 v$sqlarea 输出\n粘贴脱敏后的统计\n请判断硬解析占比是否偏高并列出最可能的原因。} ] }成功结果长这样返回 JSON 里choices[0].message.content给出分析文本比如指出hard_parse_pct超过 20% 且exec_per_parse接近 1 的 SQL 集中在某几张表建议改用绑定变量或调整cursor_sharing。同时你本地 SQL 已经拿到硬解析占比和命中率两个数字AI 只是帮你把「哪条 SQL 有问题」这一步加速。验证session_cached_cursors是否合理可以对照session cursor cache hits与session cursor cache count命中次数远大于缓存个数说明缓存偏小内存有余量时可适当调大。当前参数值用SHOW PARAMETER session_cached_cursors; SHOW PARAMETER open_cursors; SHOW PARAMETER cursor_sharing;5. 本篇常见错排查报错一ORA-01031: insufficient privileges查 v$ 视图。只读账号默认可能没有SELECT权限。让 DBA 授予SELECT ON V_$SQL、SELECT ON V_$SQLAREA、SELECT ON V_$SYSSTAT或直接给SELECT_CATALOG_ROLE。注意是V_$不是V$授权时用前者。报错二curl 返回 401。九成是TAOTOKEN_API_KEY没导出或拼错。先echo $TAOTOKEN_API_KEY确认非空再检查请求头是不是Authorization: Bearer中间有空格。Key 前后不要带引号以外的空白。报错三返回 404 或连接超时。检查base_url是否写成了带路径的完整地址。正确基址是https://taotoken.net/api请求路径拼/chat/completions。如果公司网络有出口限制确认能访问该域名。报错四AI 分析结果泛泛而谈。多半是送进去的v$sqlarea输出没脱敏、字面量太多导致模型抓不住重点。打开配置里的mask_literals把WHERE id 12345这类替换成WHERE id :1再送分析归类准确率会明显提升。报错五exec_per_parse算出来是 NULL。parse_calls为 0 时除零NULLIF已经处理但若整列都是 0 说明采样窗口内没有解析换个有负载的时间段再查。报错六改了session_cached_cursors没生效。这个参数是静态的需要重启实例或者用ALTER SYSTEM SET session_cached_cursors100 SCOPESPFILE;后重启。别在业务高峰直接改。6. 把 AI 分析接进日常巡检硬解析和软解析的判定本身不复杂难的是在海量v$sql输出里快速定位那几条拖后腿的 SQL。用 TaoToken 统一 Key 之后你的巡检脚本只需要维护一份config.tomlAI 通道和 Oracle 连接解耦换模型、加工具都不动业务代码。落地建议把第 4 节的三段 SQL 封装成定时任务每小时采样一次脱敏后送模型做增量分析只对「硬解析占比环比上升」或「新增低复用 SQL」告警。长期跑编码类、Agent 类自动化的话Coding Plan 的额度模型更适合这种高频调用场景。接入细节和可用模型列表以官方文档为准Key 管理和模型对话验证分别走控制台和模型对话页即可。