使用 Insights Agent 构建 PlanetScale

使用 Insights Agent 构建 PlanetScale

💡 原文英文,约1200词,阅读约需5分钟。
📝

内容提要

PlanetScale 用自研 Insights Agent 优化自身数据库,并举三例:功能开关检查先查覆盖再查 Flipper,日调用 2870 万次,调整顺序后数据库时间从 33379 秒降至 9625 秒;为查询新增索引反而变慢,因 IN 列表含 645 个指标且多数查询无返回行,改为在 Ruby 中过滤后数据库时间减少约 14 倍;快照查询缺少合适索引,新增 (ready, failed_at, created_at) 索引后 p50 和 p95 从秒级降至毫秒级。团队据此改进产品评估。

🔎

延伸解读

聚合视角:高频小查询的隐性成本

功能开关检查单次约1毫秒,看似无害,但日调用2870万次后累计数据库时间超过9小时。Insights Agent 通过聚合总耗时而非单次执行时间发现问题,并调整检查顺序,使数据库时间从33379秒降至9625秒。这提示:高频轻量查询的优化空间常被单次指标掩盖,需关注总负载占比。

索引并非总是加速:上下文缺失的代价

为账单价格查询新增索引后,平均耗时从27.3毫秒升至47.6毫秒。原因是查询的 IN 列表包含645个指标名(约18KB SQL),且多数调用无返回行,导致“读取行/返回行”比例失真。改为在 Ruby 中过滤后,数据库时间减少约14倍。这说明索引决策需结合返回行数、SQL 大小等上下文,否则可能适得其反。

复合索引精准匹配过滤条件

快照查询原本只能使用(ready, migration_applied_at)索引,需读取大量未就绪快照再逐行检查其他条件。新增(ready, failed_at, created_at)索引后,MySQL 可直接定位到目标范围,p50 和 p95 从秒级降至毫秒级。该案例表明,当查询包含多个过滤条件时,复合索引的列顺序应覆盖实际筛选路径,而非仅依赖现有索引。

从案例反哺产品:评估需覆盖“不优化”场景

团队根据上述经验改进了 Insights Agent,要求其检查每次调用的读取行数、返回行数及 SQL 大小(包括 IN 列表折叠情况),并扩展评估框架以覆盖“保持原样更优”的案例。这反映出自动化优化工具需具备否定建议的能力,避免因片面指标而引入负面变更。

❓

Q&A

Insights Agent 是什么?它主要能做什么?

Insights Agent 是 PlanetScale 自研的工具,它利用 Query Insights 识别有问题的查询或 schema,找到负责的代码,并自动打开一个包含修复的 pull request。

PlanetScale 如何优化功能开关检查?效果如何?

原本每次检查功能开关都先查 override,导致每天约 2870 万次调用,消耗 33379 秒数据库时间。Insights Agent 将 override 检查移到 Flipper 检查之后,因为 override 只能关闭开关,若开关已关闭则无需检查。调整后每天调用降至 830 万次,数据库时间降至 9625 秒。

为什么给查询新增索引反而变慢了?

因为 Insights Agent 最初基于的摘要遗漏了关键上下文:大多数查询返回零行,且 IN 列表包含 645 个指标(约 18KB SQL),MySQL 需要为每个值构建查找范围,新索引反而增加了负担。此外,MySQL 并未使用新索引。

如何解决 IN 列表过大导致的查询性能问题?

停止发送 IN 列表,改为在 Ruby 中过滤:先加载账户的少量区域价格,再在代码中筛选。这样数据库时间从每天 16212 秒降至 1129 秒,平均耗时从 28.5 毫秒降至 1.95 毫秒,p99 从 137 毫秒降至 8.0 毫秒,减少了约 14 倍。

快照查询的性能问题是如何被解决的?

该查询原本只能使用 (ready, migration_applied_at) 索引,导致读取大量行。Insights Agent 建议添加 (ready, failed_at, created_at) 索引,使 MySQL 能直接定位到正确的 created_at 范围。添加后,p50 和 p95 从秒级降至毫秒级。

Insights Agent 从这些案例中学到了什么改进?

Insights Agent 现在会查看更多证据,包括每次调用的读取行数和返回行数,以及发送的 SQL 大小(包括折叠值的数量)。团队还扩展了评估框架,覆盖类似案例,包括最佳选择是保持查询不变的情况。

🏷️

标签

➡️

继续阅读