最近一两年，我越来越明显地感觉到，AI 已经开始进入 DBA 的日常工作。
以前遇到慢 SQL，我们会先找 SQL_ID、看执行计划、翻 AWR 和 ASH，再检查索引、统计信息和数据分布；遇到 ORA-00600、ORA-07445 这类错误，则是先看 Alert Log 和 Trace，再去 MOS 搜关键字；临时要写 Shell 或 Python，也基本是自己查文档、写脚本、测试。
现在很多事情已经变了。
SQL 看不懂，可以先让 AI 帮忙分析；Oracle 报错了，可以把错误堆栈和 Trace 交给 AI 做第一轮判断；AWR 太长，可以先让 AI 抓重点；Shell、Python 不熟，也可以让 AI 先生成一个可用框架。以前需要花不少时间整理的故障报告，现在把日志、时间线和处理过程准备好，AI 很快就能给出一份初稿。
效率确实高了，但另一个问题也越来越明显：
我们可能越来越会用 AI，却不一定真的理解 AI。
现在技术圈天天都在说 LLM、Token、Embedding、Transformer、RAG、Vector Database、Agent、MCP。每个词单独拿出来好像都见过，但只要继续往下问几层，很容易就开始模糊。
Embedding 到底是什么？为什么一句中文最后会变成一串数字？
向量数据库到底算什么数据库？它和 Oracle、MySQL 有什么区别？
RAG 为什么能让一个从来没见过公司内部资料的大模型，回答我们自己的 Oracle 故障案例？
Agent 和普通聊天机器人有什么区别？为什么加上几个 Tool 以后，它就可以开始
