OceanBase 社区开启 Skill 宇宙！

发表于 原作者： 兹拉坦 分类于 阅读次数： 本文字数： 2.5k 阅读时长 ≈ 9 分钟
OceanBase 社区开源 oceanbase-skills 仓库，首发部署运维 Skill，让 AI Agent 用自然语言完成集群部署、租户管理、压测与备份恢复；同时探讨把 Skill 存入数据库做结构化管理的新思路，并介绍面向非技术用户的开源工具 ClawMaster。

💭 对了，文中还悄悄提到了 PowerMem —— 一个能让你的 AI Agent “过目不忘”的记忆魔法库。感兴趣的话，欢迎来 https://github.com/oceanbase/powermem 看看，给你的 Agent 装个”最强大脑”吧～

楔子

OceanBase 社区的研发大佬谐云，前段儿时间在 GitHub 上的 OceanBase 项目里悄咪咪地开源了一个新仓库：oceanbase-skills [1]

GitHub 上 oceanbase-skills 开源仓库页面

然后这个家伙发布了第一批和部署、运维相关的的 Skills —— oceanbase-deploy [2] 。安装之后，在 AI Agent 里用自然语言，就能完成数据库的集群部署、租户管理、性能压测和备份恢复等运维操作。

用过 OceanBase 的同学都知道， obd 命令行工具功能强大，但命令多、参数杂——部署要写配置文件，压测要记住 --remote-tbl-dir 是必填项，主备切换还得分清 switchover 和 failover 的适用场景……

跑一次 TPC-H 压测，之前你要这样：

1
2
3
4
5
6
7
# 1. 查文档确认命令格式
# 2. 记住 --remote-tbl-dir 是必填参数
# 3. 手动创建目录
mkdir -p /tmp/tpch
# 4. 拼完整命令
obd test tpch ob-test --tenant=mysql_test --remote-tbl-dir=/tmp/tpch --scale-factor=1
# 5. 等着看有没有报错……

有了这套 skill 之后之后， 现在你只需要说一句话：

给 ob-test 的 mysql_test 租户跑 TPC-H

AI 自动补全参数、创建目录、执行测试，22 条 SQL 全部跑完，总耗时不到 10 秒。

我们这些不懂技术的社区运营同学，在有了这批 Skills 之后，终于也能用自然语言运维 OceanBase 的系列产品了！嘿嘿~

OceanBase Skill 宇宙，由此开幕！

虽然这个仓库暂时只有一个和部署和运维相关的技能，但千里之行，始于足下。而且这个仓库里赫然写着：

更多数据库相关 skill 持续开发中，计划覆盖：内核调优、SQL 诊断、数据迁移等。

欢迎大家关注 OceanBase 社区公众号 “老纪的技术唠嗑局”，在这里，我们会持续为大家更新与 #AI 和 #Data 相关的技术内容~

小彩蛋：你最想要哪个 Skill？

如果你正在研究怎么用 Skill 辅助数据库运维工作， 欢迎在评论区告诉我你最想要哪个 Skill 进入 oceanbase-skills 仓库（上图有或没有的都可以） 。留言最多的那个，兹拉坦就帮大家早日安排上~

同时，也欢迎大家和我们一起来 https://github.com/oceanbase/oceanbase-skills 这里，进行共建~

Skill 多了怎么管？下面这个思路有点意思！

Agent 下面的 Skill 一旦多起来，功能有交集的就难免要”打架”，比如上面小彩蛋的这张兹拉坦的截图里就有一百个左右的常用 Skill，用来给这篇公众号文章配图的就不下五个。

现在 Agent 的做法是通过文件系统扫描——把 Skill 写成 Markdown 文件，放在文件系统里，需要使用时，会把所有 Skill.md 遍历扫一遍。

但在使用 Agent 的过程中，Skill 数量必然会持续变多、层级变深、规则变复杂，麻烦也会慢慢冒出来： 在大量文本中定位特定 Skill 耗时会越来越长（扫描会变慢），Skill.md 之间的依赖关系也越来越难以追踪

除此以外，长文档容易漏读，召回越来越不稳定，不同 Agent 对同一段 Markdown 的理解也可能不一样。更现实的是，Skill 的版本、依赖、适用场景，很难一直靠文件夹和文件名管清楚。而且上下文窗口有限制，可能会无法完整加载所有 Skill……

在昨天的 tcworld China [3] （技术内容领域的国际盛会）上，看到海芊大佬分享了一个很有创意的解法： 把 Skill 从 Markdown 文件变成数据库里可快速查询的结构化数据。

传统依赖文本文件存储技能的方法，往往受模型解析能力限制，容易导致字符丢失或输出错误。把 Skill 存入结构化数据库，用查询语法驱动交互，能以低成本实现高稳定性的执行环境。

Skill 存入结构化数据库的方案分享现场

大致流程是：

1
2
3
4
5
Skill.md
  → 解析器
    → 轻量数据库入库
      → QueryService 统一查询
        → Agent 获取结构化结果

这件事听起来像”把文件放进数据库”，但核心价值不是存储形式变了，而是 Skill 的调用方式变了。

以前是：

Agent，你自己去文件堆里找找看。

以后是：

Agent，这是候选技能、适用条件、约束规则和示例，请按结构化结果执行。

对于多 Agent 场景，这个思路尤其有价值。因为多个 Agent 如果都靠各自读 Markdown、各自理解，很容易出现偏差；如果大家都通过同一个 QueryService 查询 结构化的 Skill 元信息 ，稳定性会更好。这样做不仅保证了 Skill 的完整性和可追溯性，也能提升模型在复杂任务执行中的鲁棒性，为大规模 Agent 应用提供了可扩展的工程化路径。

结构化管理 Skill 方案讲解配图一

结构化管理 Skill 方案讲解配图二

结构化管理 Skill 方案讲解配图三

结构化管理 Skill 方案讲解配图四

如果未来 Skill 管理能用类似思路做起来， Agent 生态就会少一点儿玄学，多一点些工程化

后面有机会的话，OceanBase 社区会邀请海芊老板来 OceanBase 社区视频号”老纪的技术唠嗑局”，搞一场直播，专门和大家聊聊”结构化管理 Skill”这个话题，欢迎大家关注~

AI 小白的第一个 AI Agent —— ClawMaster

先闲白儿两句

大家可以在上面的截图中，看到兹拉坦的常用 Skill 中有很多和技术文章相关的 Skill，包含了话题获取、排版、配图、发布等等。

每次开周会时，我老大也会习惯性地问这么一句话：今天你发的公众号文章，是不是又是用”AI 写的”。我每次都只能无奈地说：”是”。

其实我用 AI Agent 写作的方式，和数据库方向公众号最头部的冯若航大佬很类似。所以这里就直接偷懒引用冯佬的这篇文章 《是的，我用 AI 写文章，咋滴》 ，讲一遍用 AI 写文章的流程：

选题是我的，框架是我的，AI 来填充初稿，然后反复打磨三到五轮，标题和封面图都让 AI 生成 100 个候选再从里面选。 AI 是倍乘器，不是加法器。

它乘以什么，就放大什么。有洞见的人，AI 帮他放大洞见；脑子里一团浆糊的人，AI 帮他放大成更离谱的浆糊。

同一个模型，不同的人用出来天差地别。区别从来不在工具，在人。

冯若航谈用 AI 写文章的观点配图

这篇文章写的时候，兹拉坦也在按这个逻辑用 Skill 来提效——大纲是我定的，素材整理全靠 Skill 帮忙，封面配图也用 Skill 生成。整件事做下来，效率提升是真实的，但”想表达什么”这件事依然得靠自己想清楚。

最后也引用冯佬的一句话：

您自己判断，算不算”AI 写的”？

用 Skill 辅助写作与配图的实践示例

我不是技术人员，但也想有强大的 AI 助理

最后想给大家介绍一个开源工具 —— ClawMaster [4] 。

ClawMaster 适合谁？

  • “我不是技术人员，但也想有强大的 AI 助理” —— 引导式安装、引导式使用，不要求你懂 JSON。
  • “想让 OpenClaw 真的能帮我做事，不只是配好” —— 缩短”安装完成”到”真实产出”的距离。
  • “我在帮团队或家人管 OpenClaw” —— 一个地方搞定频道、运行态、上手流程。
  • “我在搭高级智能体工作流” —— 模型、可观测、记忆、会话、插件、技能、MCP 一站式。

这个 ClawMaster 对技术小白非常友好，特别是零基础的运营同学。

通过两行命令，就可以把 ClawMaster 跑起来：

1
2
npm i -g clawmaster
clawmaster

浏览器开 http://localhost:16223

它还接入了 PowerMem [5] （OceanBase 团队开源的记忆引擎）作为底座。以前的记忆是一堆 Markdown 文件，现在变成可查询、带遗忘曲线的结构化存储。

最后 ClawMaster 还配合了 Karpathy 那套 LLM Wiki 构想 [6] ，内容进来一次，知识库持续复利生长——你没贴链接，Agent 写草稿时也带着你之前沉淀过的观点。

LLM Wiki 是什么？可以查看文末参考资料，深入了解~

写在最后

这篇文章从 oceanbase-skills 上线，到 Skill 管理的新思路，再到 ClawMaster。OceanBase 社区在 Data × AI 方向的这几步，都是从实际问题出发走出来的，没有特别宏大的叙事，只是一个 Skill、一个想法、一个工具。

5.30 你来吗？OceanBase × LangChain Meetup

5 月 30 日， OceanBase × LangChain 社区 Meetup 来了！不仅会有新产品的重磅发布，大家还可以一起来和 LangChain 中国区唯一的 Ambassador 张海立大佬（同时也是上面这个 ClawMaster 的作者），对当前 AI Agentic 时代的产品形态、技术架构等话题，进行交流和讨论~

议程：

纯干货、强实战

🕐 时间：5 月 30 日

🏠 地点：上海市浦东新区张江科学之门 T1 (模力・源) 35 楼大会议室

❗ 报名提醒：席位有限，先到先得！扫码立即预约，抢占 AI 工程化第一排座位！

参考资料

[1] oceanbase-skills: https://github.com/oceanbase/oceanbase-skills
[2] oceanbase-deploy: https://github.com/oceanbase/oceanbase-skills/tree/master/skills/oceanbase-deploy
[3] tcworld China: https://www.tcworld-china.cn/
[4] ClawMaster: https://github.com/openmaster-ai/clawmaster
[5] PowerMem: https://github.com/oceanbase/powermem
[6] LLM Wiki 构想: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f