Oracle AI Database 26ai 命令大全：手把手教你用“数据库自带的AI工具”

AI时代的数据库领域宠儿：甲骨文公司的AI数据库软件

本文章仅提供学习，切勿将其用于不法手段！

​前情提要：为啥要学命令？​​

之前咱们聊了26ai是“数据库里自带AI的智能厨房”，现在问题来了——咋用这个厨房的“厨具”（命令）？​​ 不管你是DBA、开发还是业务人员，掌握几个核心命令，就能自己动手用AI功能，不用天天求技术大佬。

今天就用大白话，把26ai最常用的命令分分类，每个命令说清楚“它能干啥”“咋用”“举个实际例子”，保证你看完就能上手。

​一、日常管理命令：管好你的“智能数据库厨房”​​

就像家里厨房得先开门、关火、擦桌子，数据库也得日常管理。这些命令是“基础操作”，必须会！

1. ​连接数据库：进厨房做饭（sqlplus）​​

​能干啥​：用命令行连接到26ai数据库，就像走进厨房准备食材（数据）。
​基本用法​：sqlplus 用户名/密码@数据库地址:端口/服务名 as 角色

• ​用户名/密码​：管理员一般是sys/你的密码，普通用户比如user1/pass123；
• ​数据库地址​：如果是本地部署，填localhost；如果是云端，填OCI实例的公网IP；
• ​端口​：默认1521（部署时记得开这个端口，不然连不上）；
• ​服务名​：默认ORCLCDB（创建容器时可以改，比如my-oracle-svc）；
• ​角色​：as sysdba（管理员权限，能改数据库配置），普通用户不用加。

​例子​：用管理员身份连本地数据库：

sqlplus sys/MyStrongPassword@localhost:1521/ORCLCDB as sysdba

​小贴士​：连不上？先检查端口（telnet localhost 1521）和数据库状态（podman ps或docker ps看容器跑没跑）。

2. ​启动/停止数据库：开火/关火（startup/shutdown）​​

​能干啥​：启动或停止数据库实例，就像开火做饭或关火收摊。
​基本用法​（先连上数据库，再用SQL命令）：

• ​启动​：STARTUP;（后台启动，不用加&）；
• ​停止​：SHUTDOWN IMMEDIATE;（立即停，不等当前操作结束，适合紧急情况）。

​例子​：管理员连上后启动数据库：

SQL> STARTUP;
数据库已启动。

​小贴士​：IMMEDIATE会强制断开用户连接，生产环境慎用，平时用SHUTDOWN TRANSACTIONAL（等当前事务做完再停）更温和。

3. ​查数据库状态：看厨房忙不忙（status）​​

​能干啥​：看数据库是不是在跑，有没有出问题，就像看灶台上的锅烧开了没。
​基本用法​（两种方式）：

• ​用sqlplus查​：连上后执行SELECT STATUS FROM V$INSTANCE;，显示OPEN就是正常；
• ​用容器命令查​（如果是Podman/Docker部署）：podman ps或docker ps，看容器状态是不是Up。

​例子​：用sqlplus查状态：

SQL> SELECT STATUS FROM V$INSTANCE;
STATUS
------------
OPEN

4. ​看数据库里有啥：清点厨房食材（show命令）​​

​能干啥​：查数据库里的表、用户、存储空间等信息，就像清点厨房有多少米、面、菜。
​常用show命令​：

• SHOW TABLES;（查当前用户有哪些表，注意：26ai里可能有向量表，也会显示）；
• SHOW USERS;（查有哪些数据库用户）；
• SHOW PARAMETER SGA_TARGET;（查内存配置，比如SGA大小）。

​例子​：查当前用户的所有表：

SQL> SHOW TABLES;
TABLES
------------------------------
PRODUCTS
PRODUCT_DESCRIPTIONS
USER_REVIEWS

​二、AI功能核心命令：用数据库自带的AI干活​

这是26ai的“灵魂命令”，不用跳出数据库，直接让AI处理数据。

1. ​向量搜索：给数据贴“智能标签”（vector_embedding函数 + SEMANTIC_SIMILARITY）​​

​能干啥​：把文本、图片转成“向量标签”，再根据标签找相似数据，就像给食材贴标签“辣的”“甜的”，要啥直接搜标签。
​核心函数​：

• vector_embedding(内容, 模型名)：把文字/图片转成向量（一串数字）；
• SEMANTIC_SIMILARITY(向量1, 向量2)：算两个向量的相似度（0-1，越接近1越像）。

​步骤+例子​：

第一步：建表存数据（比如商品评论）

CREATE TABLE product_reviews (
  id NUMBER GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
  product_id NUMBER,
  review_text CLOB,  -- 存评论文本
  review_image BLOB  -- 存评论图片（比如用户拍的商品图）
);

第二步：插入数据并生成向量标签

-- 插入一条文本评论：“手机续航太差，充一次电用半天”
INSERT INTO product_reviews (product_id, review_text)
VALUES (1001, '手机续航太差，充一次电用半天');

-- 给文本评论生成向量（用OCI的文本嵌入模型）
UPDATE product_reviews 
SET review_text_embedding = vector_embedding(review_text, 'OCI_EMBED_TEXT')
WHERE id = 1;

-- 插入一条图片评论（假设图片已存入review_image字段）
-- 给图片生成向量（用OCI的图像嵌入模型）
UPDATE product_reviews 
SET review_image_embedding = vector_embedding(review_image, 'OCI_EMBED_IMAGE')
WHERE id = 2;

第三步：向量搜索——找“续航差”的相似评论

SELECT id, review_text, 
       SEMANTIC_SIMILARITY(
         review_text_embedding, 
         vector_embedding('续航短 充电慢', 'OCI_EMBED_TEXT')
       ) AS similarity
FROM product_reviews
WHERE review_text_embedding IS NOT NULL
ORDER BY similarity DESC
FETCH FIRST 5 ROWS ONLY;  -- 取最像的前5条

​结果​：会返回所有评论文本里和“续航短 充电慢”语义相似的评论，比如“电池不耐用，一天三充”。

2. ​代理式AI：让数据库当“智能实习生”（CREATE AGENT）​​

​能干啥​：用自然语言下指令，让AI在数据库里自动干多步活（查数据、分析、出结果），就像跟实习生说“帮我查下最近差评多的商品，列个表”，不用自己写SQL。
​基本用法​：

• ​创建Agent​：CREATE AGENT 名字 USING '模型名' WITH PARAMETERS (prompt => '指令模板');
• ​调用Agent​：SELECT AGENT名(输入数据) FROM DUAL;（DUAL是虚拟表，用来执行函数）。

​例子​：创建一个“差评分析Agent”，自动分析商品差评原因

第一步：创建Agent（用OCI的生成式AI模型）

CREATE AGENT bad_review_analyzer
  USING 'oci-generative-ai-medium'  -- 用OCI的中等尺寸生成式AI模型
  WITH PARAMETERS (
    prompt => '你是电商客服，分析以下差评原因，返回JSON格式：{"原因": "xxx", "建议": "xxx"}。差评内容：{review}',
    output_format => 'JSON'
  );

第二步：调用Agent分析差评

SELECT bad_review_analyzer('手机拿到手就死机，联系客服没人理') AS analysis_result
FROM DUAL;

​结果​：会返回JSON：{"原因": "产品质量问题+客服响应慢", "建议": "召回问题批次，增加客服班次"}。

3. ​LLM集成：用大模型“翻译”SQL（自然语言转SQL）​​

​能干啥​：跟数据库说人话（比如“查上周销量最高的产品”），AI自动转成SQL，就像跟服务员说“来碗面”，服务员自动给你下单。
​基本用法​：用SELECT AI语法（26ai内置支持）：

SELECT * FROM sales 
WHERE product_name RAG '销量最高'  -- RAG=检索增强生成，自动理解“销量最高”对应的SQL条件
AND sale_date >= TRUNC(SYSDATE) - 7;  -- 补充时间条件（上周）

​解释​：RAG '销量最高'会让AI自动解析成RANK() OVER (ORDER BY quantity DESC) = 1这样的SQL逻辑，不用自己写复杂排序。

​三、数据操作命令：带AI的“切菜”技巧​

26ai的数据操作命令和传统数据库差不多，但多了AI辅助，比如自动建向量索引、智能标注。

1. ​建向量索引：给“智能标签”建目录（CREATE INDEX ... TYPE VECTOR_INDEX）​​

​能干啥​：向量搜索快不快，全靠索引！就像给食材建目录，“辣的”放左边，“甜的”放右边，找的时候不用翻遍整个厨房。
​基本用法​：

CREATE INDEX 索引名 ON 表名(向量列名)
INDEXTYPE IS OCI_INDEX TYPE VECTOR_INDEX
PARAMETERS ('维度=768, 算法=HNSW');  -- 768是向量长度，HNSW是搜索算法（快）

​例子​：给商品评论的文本向量建索引

CREATE INDEX idx_review_text_vec ON product_reviews(review_text_embedding)
INDEXTYPE IS OCI_INDEX TYPE VECTOR_INDEX
PARAMETERS ('DIMENSION=768, ALGORITHM=HNSW');

2. ​自动标注：让AI帮你“打标签”（DBMS_ANNOTATION包）​​

​能干啥​：存量数据没标签？让AI自动标！比如给10万条用户评论自动标“好评”“差评”“中性”，省得人工一个个看。
​基本用法​：

-- 用AI给评论自动标注情感（好评/差评）
BEGIN
  DBMS_ANNOTATION.AUTOMATIC_ANNOTATION(
    table_name => 'product_reviews',
    column_name => 'review_text',
    annotation_type => 'SENTIMENT',  -- 情感分析
    model_name => 'OCI_SENTIMENT_ANALYSIS',  -- 用OCI的情感分析模型
    output_column => 'sentiment_label'  -- 结果存到sentiment_label列
  );
END;
/

​结果​：product_reviews表会多出sentiment_label列，值是“POSITIVE”（好评）、“NEGATIVE”（差评）等。

​四、监控运维命令：看厨房干得咋样​

AI功能跑起来后，得看性能咋样、有没有报错，就像看灶火旺不旺、菜有没有糊。

1. ​查AI工作负载：看“智能厨师”忙不忙（V$AI_WORKLOAD视图）​​

​能干啥​：看向量搜索、Agent调用这些AI任务的执行时间、资源占用，就像看厨师炒菜用了多久、耗了多少油。
​基本用法​：

SELECT task_type, execution_time, cpu_usage, memory_usage
FROM V$AI_WORKLOAD
ORDER BY execution_time DESC;

​例子​：看最近1小时的向量搜索任务耗时：

SELECT task_type, execution_time, sql_text
FROM V$AI_WORKLOAD
WHERE task_type = 'VECTOR_SEARCH'
AND start_time > SYSTIMESTAMP - INTERVAL '1' HOUR;

2. ​清AI垃圾数据：倒“智能垃圾桶”（DBMS_VECTOR_CLEANUP包）​​

​能干啥​：向量索引用久了会产生旧数据，定期清理省空间，就像定期倒厨房垃圾桶，不然味儿大。
​基本用法​：

BEGIN
  DBMS_VECTOR_CLEANUP.CLEAN_UNUSED_INDEXES();  -- 清理没用的索引
  DBMS_VECTOR_CLEANUP.PURGE_OLD_EMBEDDINGS('product_reviews', 'review_text_embedding');  -- 清理旧向量
END;
/

3. ​看错误日志：找“厨房哪里出问题了”（alert.log文件）​​

​能干啥​：AI任务报错了？查日志！就像菜炒糊了，看是火太大还是盐放多了。
​基本用法​（找到日志文件位置）：

• 默认路径：$ORACLE_BASE/diag/rdbms/数据库名/实例名/trace/alert_实例名.log；
• 用文本编辑器打开，搜关键词ERROR或VECTOR_SEARCH FAILED。

​五、新手必背：5个“救命”命令​

1. ​连不上数据库​：telnet 数据库地址 1521（看端口通不通）；
2. ​AI搜索结果不准​：SELECT * FROM 表名 WHERE 向量列 = vector_embedding('测试内容', '模型名');（手动测向量生成对不对）；
3. ​Agent返回错误​：SELECT * FROM DBA_AGENTS;（看Agent状态是不是ENABLED）；
4. ​数据库卡顿​：SELECT * FROM V$SESSION WHERE STATUS = 'ACTIVE';（看有没有卡住的会话）；
5. ​紧急重启​：sqlplus sys/密码@地址 as sysdba → SHUTDOWN ABORT; → STARTUP;（最后用，会丢未提交数据）。

​总结：命令不用全记，会用这几个就够了​

26ai的命令核心就三类：​管数据库（启动/连接）、用AI（向量搜索/Agent）、看状态（监控/日志）​。不用死记硬背，遇到具体问题搜对应的命令，多练两次就会了。

记住：26ai最大的优势就是“不用跳出数据库用AI”——连数据都不用搬，命令行敲几下，AI就帮你干活了。下次再有人说“数据库和AI结合太难”，你就把这篇命令大全甩给他：“看，这不比炒菜简单？”

（PS：官方文档永远是终极答案：Oracle 26ai SQL参考，忘了命令就去查！）

注：本文仅用于教育目的，实际渗透测试必须获得合法授权。未经授权的黑客行为是违法的。