DBA-агент обработал 10 тысяч тикетов и автоматизировал 99,6% задач второй линии поддержки

Агент работает на связке cron, Python и нескольких обработчиков. StatisticsHandler за месяц закрыл 9671 тикет: проверяет мастер, находит мёртвые строки и выполняет VACUUM/ANALYZE, когда системный autovacuum не справляется с фрагментацией. DiskSpaceHandler подключается по SSH и с помощью LLM генерирует безопасный план очистки диска — например, за один заход было удалено 135 файлов логов и освобождено около 8 360 МБ. PlannedMaintenanceHandler извлекает из текста тикета даты, хосты и тип действия, проверяет согласование и через systemctl stop/start выполняет плановые остановки и запуски БД.

Примерно в 10% случаев, где регулярных выражений не хватает, агент обращается к LLM (используется GigaChat): для извлечения хоста и дат из свободного текста, генерации плана очистки, категоризации тикетов и формирования рекомендаций администратору. Суммарное потребление токенов за 30 дней составило около 2,6 млн, средний расход на один вызов — 2 500 токенов. За счёт приоритетного использования regex и кеширования расход составляет менее 260 токенов на обработанный тикет.

Рутинные операции, которые раньше выполнялись через Ansible-сценарии из Pipeliner, постепенно переносятся в агент: скорость выполнения выросла в два и более раз, устранена зависимость от инфраструктуры CI/CD. Помимо автономного режима агент доступен как чат-бот через Streamlit WebUI — там востребованы скачивание журналов СУБД с ИИ-анализом ошибок, отчёты pg_profile, отчёт analyze_pangolin_ai по метрикам из Prometheus, установка и удаление pg_profile, постановка хостов на мониторинг.

В планах команды — реализация ProvisioningHandler и BackupHandler на основе выявленных LLM паттернов, интеллектуальные комментарии в тикетах с указанием причин ошибок и рекомендаций разработчикам, уточнение параметров через LLM для запросов без явных координат, полная миграция Ansible-сценариев в агент, а также дашборд эффективности с KPI и предсказанием переполнения дисков.