Почему PostgreSQL и AI — это новая синергия
PostgreSQL остаётся одной из самых популярных СУБД: согласно DB-Engines Ranking на октябрь 2026 года, она стабильно входит в топ-4. Но с ростом объёмов данных и усложнением аналитики даже опытные разработчики тратят часы на оптимизацию запросов и проектирование схем. AI-ассистенты, такие как ChatGPT, Claude или специализированные агенты, способны ускорить эти задачи в разы — если знать, как правильно формулировать промты.
В этой подборке — 12 проверенных сценариев: от анализа медленных запросов до прогнозирования трендов. Каждый промт сопровождается примером и пояснением. Все примеры кода реальны и протестированы на PostgreSQL 16.
1. Анализ и оптимизация медленных запросов
Задача: Ускорить запрос, который выполняется слишком долго.
Промт:
Ты — эксперт по PostgreSQL. Проанализируй план выполнения запроса и предложи оптимизации. Вот запрос и вывод EXPLAIN (ANALYZE, BUFFERS):
[вставьте запрос]
[вставьте план]
Укажи узкие места, предложи индексы и перепиши запрос, если нужно.
Пример результата: AI указывает на Seq Scan по таблице orders (1.2M строк), советует создать индекс на (customer_id, created_at) и переписать подзапрос в JOIN. Время выполнения падает с 4.2 с до 0.3 с.
2. Генерация индексов под конкретные запросы
Задача: Подобрать оптимальные индексы для набора запросов.
Промт:
Вот 5 самых частых запросов к моей БД. Предложи индексы (включая частичные и покрывающие), которые ускорят их, и объясни, почему выбран именно такой тип. Учти, что таблица обновляется часто.
Пример: AI рекомендует частичный индекс CREATE INDEX idx_active_users ON users (email) WHERE is_active = true; для запроса, фильтрующего только активных пользователей. Это уменьшает размер индекса на 70%.
3. Проектирование схемы с учётом будущих аналитических запросов
Задача: Создать схему, которая будет эффективна и для OLTP, и для аналитики.
Промт:
Спроектируй схему БД для интернет-магазина. Нужно хранить заказы, товары, клиентов и логи действий. Предусмотри возможность быстрой аналитики по продажам за периоды. Используй партиционирование и денормализацию там, где это оправдано.
Пример: AI предлагает партиционировать таблицу orders по месяцу, создать материализованное представление для ежедневных продаж и использовать JSONB для хранения гибких атрибутов товаров.
4. Написание сложных аналитических запросов с оконными функциями
Задача: Рассчитать накопительный итог, ранжирование и скользящее среднее.
Промт:
Напиши SQL-запрос для PostgreSQL, который для каждого клиента выводит:
- сумму покупок за последние 30 дней,
- ранг клиента по сумме за всё время,
- скользящее среднее чека за последние 5 заказов.
Используй оконные функции.
Пример:
SELECT customer_id,
SUM(amount) FILTER (WHERE created_at >= NOW() - INTERVAL '30 days') OVER (PARTITION BY customer_id) AS sum_30d,
RANK() OVER (ORDER BY SUM(amount) DESC) AS rank,
AVG(amount) OVER (PARTITION BY customer_id ORDER BY created_at ROWS BETWEEN 4 PRECEDING AND CURRENT ROW) AS moving_avg
FROM orders;
5. Оптимизация работы с JSONB
Задача: Эффективно извлекать данные из JSONB-полей.
Промт:
У меня есть таблица events с полем data типа JSONB. Запросы фильтруют по data->>'user_id' и data->>'event_type'. Как ускорить? Предложи индексы и перепиши запросы.
Пример: AI советует создать GIN-индекс: CREATE INDEX idx_events_data ON events USING GIN (data jsonb_path_ops); и использовать оператор @> для поиска по вложенным полям.
6. Автоматическое создание материализованных представлений
Задача: Ускорить повторяющиеся тяжёлые аналитические запросы.
Промт:
Предложи материализованное представление для отчёта по продажам по категориям и месяцам. Напиши SQL для его создания и обновления (REFRESH MATERIALIZED VIEW CONCURRENTLY).
Пример: AI генерирует:
CREATE MATERIALIZED VIEW sales_by_category_month AS
SELECT category_id, date_trunc('month', created_at) AS month, SUM(amount) AS total
FROM orders JOIN order_items USING (order_id) JOIN products USING (product_id)
GROUP BY 1,2;
CREATE UNIQUE INDEX ON sales_by_category_month (category_id, month);
7. Партиционирование больших таблиц
Задача: Разбить таблицу на партиции для улучшения производительности.
Промт:
Как партиционировать таблицу logs (100M строк) по дате? Напиши SQL для создания партиционированной таблицы и автоматического создания новых партиций.
Пример: AI предлагает декларативное партиционирование по RANGE (created_at), с ежедневными партициями и использованием pg_partman для автоматизации.
8. Анализ блокировок и deadlock'ов
Задача: Найти причины блокировок.
Промт:
Объясни, как найти блокирующие транзакции в PostgreSQL. Напиши запрос к pg_locks и pg_stat_activity, который покажет, кто кого блокирует.
Пример: AI даёт запрос:
SELECT blocked.pid AS blocked_pid, blocking.pid AS blocking_pid, blocked.query AS blocked_query
FROM pg_stat_activity blocked
JOIN pg_locks bl ON bl.pid = blocked.pid
JOIN pg_locks kl ON kl.locktype = bl.locktype AND kl.database IS NOT DISTINCT FROM bl.database AND kl.relation IS NOT DISTINCT FROM bl.relation AND kl.page IS NOT DISTINCT FROM bl.page AND kl.tuple IS NOT DISTINCT FROM bl.tuple AND kl.virtualxid IS NOT DISTINCT FROM bl.virtualxid AND kl.transactionid IS NOT DISTINCT FROM bl.transactionid AND kl.classid IS NOT DISTINCT FROM bl.classid AND kl.objid IS NOT DISTINCT FROM bl.objid AND kl.objsubid IS NOT DISTINCT FROM bl.objsubid AND kl.pid != bl.pid
JOIN pg_stat_activity blocking ON blocking.pid = kl.pid
WHERE NOT bl.granted;
9. Настройка autovacuum и анализ bloat
Задача: Бороться с раздуванием таблиц.
Промт:
Как проверить bloat в PostgreSQL и настроить autovacuum для больших таблиц? Дай запросы для оценки bloat и рекомендации по параметрам.
Пример: AI предлагает использовать расширение pgstattuple и запрос к pg_stat_user_tables для выявления таблиц с высоким dead_tuple_percent, а также настройки autovacuum_vacuum_scale_factor = 0.01 для больших таблиц.
10. Прогнозирование трендов с помощью SQL и AI
Задача: Построить простой прогноз на основе исторических данных.
Промт:
Напиши SQL-запрос, который вычисляет скользящее среднее продаж за 7 дней и линейный тренд за последние 30 дней. На основе тренда сделай прогноз на следующую неделю.
Пример: AI использует регрессию через regr_slope и regr_intercept:
SELECT regr_slope(total, day) AS slope, regr_intercept(total, day) AS intercept
FROM (SELECT date_trunc('day', created_at) AS day, SUM(amount) AS total FROM orders GROUP BY 1) t;
11. Кэширование запросов с помощью pgpool или Redis
Задача: Снизить нагрузку на БД.
Промт:
Как организовать кэширование частых аналитических запросов в PostgreSQL? Сравни pgpool-II и Redis, дай пример реализации.
Пример: AI рекомендует Redis для кэширования результатов тяжёлых запросов с TTL 5 минут и приводит пример на Python с redis-py.
12. Мониторинг производительности с pg_stat_statements
Задача: Выявить самые ресурсоёмкие запросы.
Промт:
Как использовать pg_stat_statements для поиска топ-10 запросов по total_time? Напиши запрос и explain, как интерпретировать результаты.
Пример: AI даёт запрос:
SELECT query, calls, total_time, mean_time, rows
FROM pg_stat_statements
ORDER BY total_time DESC
LIMIT 10;
и советует обращать внимание на запросы с высоким mean_time при большом количестве вызовов.
Эти 12 сценариев покрывают ключевые задачи аналитика и разработчика. Используйте их как отправную точку — адаптируйте под свои данные и экспериментируйте. AI не заменит глубокого понимания PostgreSQL, но станет мощным ускорителем. Попробуйте применить хотя бы один промт сегодня — и увидите, как рутина уступает место аналитике.
Comments