Agent 的护城河：强龙不压地头蛇|agent|地头蛇|强龙|护城河|沙箱|运维

凌晨三点，数据库告警炸了。

你尝试把告警信息甩给一个 “顶级” DBA Agent。它见多识广，熟读 PostgreSQL 文档，能写出漂亮的诊断 SQL，对每一个内核参数的含义倒背如流。

它愣住了：集群拓扑是什么样的？主从都在哪些服务器上？监控面板怎么看？日志哪里找？上次类似故障怎么解的？我该用什么工具执行什么操作？

什么都不知道。

而隔壁那个用普通模型、但深度接入了完整运维环境的 Agent，已经定位到根因、完成了切换重启、发出了复盘报告。原理很朴素 ——

一个熟悉环境的普通人，会比来到陌生环境的天才更能干。

没有上下文的智力，是空转的。没有 Runtime 的 Agent，是虚浮的。

强龙不压地头蛇。

OtterTune：一个价值 1200 万美元的教训

2020 年，CMU 数据库网红教授 Andy Pavlo 带着学生创办了 OtterTune —— 用 AI 做数据库自动调优。顶级学术团队、拿了 1200 万美元投资、瞄准 PostgreSQL 和 MySQL 两大主流数据库，背景不可谓不豪华。

产品逻辑概括一下： 给我一个数据库连接串，AI 就能帮你调优。

2024 年 6 月，OtterTune 宣布关门。表面原因是收购交易破裂。但在老冯看来，根本的问题是： 一个连接串能做的事情，价值实在太少了。

通过连接串，你能看到 pg_stat_statements 里的慢查询、 pg_settings 里的配置参数、几个系统视图的统计信息。然后呢？调几个 knob，优化几条 SQL。仅此而已。

但真正的数据库运维远不止这些。一个连接串连的是一个 PostgreSQL 实例，但现实中你面对的是什么？一个集群包含多个实例——主库、从库、离线副本、同步备份；集群之上还有水平分片；顶层可能有上百套集群分属不同业务组。除了数据库自身的指标，你还需要备份状态、高可用组件状态、连接池指标、主机 CPU/内存/磁盘/网络指标。这些东西 全部在连接串的外面 。

一个只拿到连接串的 Agent，就像一个只能通过猫眼观察房间的人 —— 视野极其有限。更尴尬的是：连接串里能做的那些事，恰恰是大模型裸聊就能做得不错的事。你让 Claude 或 GPT 直接看一条慢 SQL，它给出的优化建议已经相当靠谱了。 你做的事情 LLM 直接就能做，那你的壁垒在哪？

OtterTune 踩的坑，本质上是一个 Runtime 问题： 它试图在没有运行时环境的情况下做运维。 面对一个抽象的裸 PostgreSQL 做优化 —— 它有一个强大的大脑，但没有手，没有眼睛，甚至没有身体，这就像请霍金表演体操一样荒诞。

PS: 我知道他们开始第二轮创业了，这次还是做 PostgreSQL 调优，希望他们这次能走上正路

Manus：真正的核心是那个沙箱

如果 OtterTune 是反面教材，那 Manus 就是正面案例。

2025 年 3 月，Manus 横空出世，迅速成为现象级产品。很多人研究它为什么成功，把注意力放在它积累的那些 Markdown 提示词上，或者放在它用了哪个大模型上。

盯错地方了

Manus 真正的核心不是提示词，也不是大模型。它的核心是那个 虚拟机沙箱 —— 每个用户会话都运行在一个独立的云端 Linux 虚拟机中，里面有完整的文件系统、浏览器、Shell 终端、代码解释器。Agent 在这个确定性的环境中工作，能读写文件、执行代码、浏览网页、部署应用。

Manus 自己也说得很清楚："The power of Sandbox lies in its completeness."

正是这个完备且确定的沙箱，让大模型的能力得以充分释放。没有这个沙箱，同样的模型只是一个聊天机器人。有了这个沙箱，它变成了一个能真正完成任务的 Agent。而且 Manus 换过好几次底层模型——从 GPT 到 Claude——效果一直在线。因为真正兜底的不是模型，是 Runtime。，脱离了这些本地环境的手脚，它就只是又一个普通的聊天机器人而已。

Manus 和 OpenClaw 的成功验证了同一件事：

LLM 是大脑，但真正重要的是身体。

大脑、身体和确定性

Manus 的启示可以再往下推一层。

生物学上，智能的实现依赖三个要素：传感器（感知环境）、决策器（处理信息）、执行器（作用于环境）。一个只有大脑没有身体的生物，不叫智能体，只是缸中之脑。

Agent 也是一样。大模型是决策器，但你还需要传感器和执行器 —— 也就是 可观测性 和 可控制性。三者构成了 Agent 的身体。而这个身体要能正常工作，需要一个前提：确定性。

你不能把大脑丢到一个陌生的环境里，让它操纵一条奇形怪状的机械臂。大脑必须 “认识” 自己的身体，知道发出什么信号会产生什么动作，接收什么反馈意味着什么状态。大脑和身体之间需要一套稳定的、可预期的协议。

这就是 Runtime 的本质：Agent 的确定性身体。

以 DBA Agent 为例，一个完整的 Runtime 意味着：

传感器——完整的可观测性。不只是一个连接串能看到的那点东西，而是从主机指标、连接池状态、高可用组件心跳、备份任务进度到数据库内部统计的全栈监控，这些信息有机地融合在一起，提供从单实例到整个数据平台的层层视角。

执行器——完整的可操控性。配置变更、高可用切换、备份恢复、滚动升级。不是调用别人的 API，而是直接掌控基础设施的"形状"。如果你只是调云厂商的接口，你的 Agent 永远被原作者的想象力所限制。

确定性——可预测的行为和可追溯的记录。同样的操作，同样的条件，同样的结果。每一步都有记录，每一次变更都可回滚。不确定的环境里跑不出确定的结果。

五年前老冯做 PostgreSQL 监控的时候就发现了这个问题 _如果想做最好的监控系统，不能只靠一个连接串。连接串确实能做一些事，但离 “做好” 差得太远。要把可观测性做到极致，你必须直接掌控 Runtime，直接控制基础设施的形状。这也是 Pigsty 从一个 PostgreSQL 监控系统项目，演变为一个完整的 PostgreSQL 发行版的关键契机。监控如此，管控亦然，智能更是如此。

OtterTune 有大脑，没有身体。结局是注定的。Manus 造了一个确定性的身体（沙箱），大脑的能力才得以释放。

DBA Agent 的身体，只有三个选择

让我们用一个具体的 Agent 场景为例 —— DBA Agent。

什么是 DBA Agent 的身体？谁能提供 DBA Agent 的身体

第一条路：云厂商。 RDS、Cloud SQL、Azure Database——监控、告警、备份、高可用都有。但这是别人的身体。你的 Agent 只能在厂商画好的圈子里活动，运维知识沉淀在厂商平台上与 Vendor 绑定，换个云就清零。如果你像 OtterTune 那样寄生在云厂商的接口上做 Agent，你的设计天花板就是云厂商 API 的天花板。这不是身体，这是笼子。

第二条路：Kubernetes。 K8s Operator 理论上也能提供自动化运维能力。但 K8s 给数据库引入了大量不必要的复杂度——存储编排、网络策略、状态管理、CRD 抽象层层叠叠。Agent 要在 K8s 上做数据库运维，需要理解的概念比直接管理数据库多出一个数量级。K8s 的抽象层产生了巨大的阻抗，让 Agent 离它真正要管的东西——数据库本身——越来越远。 这不是在给 Agent 提供身体，这是在给它套上一层厚重的太空服。

第三条路：Pigsty。 一个开源的 PostgreSQL 发行版，直接基于原生 Linux 提供全家桶级的确定性 Runtime。完整的可观测性体系覆盖从主机到数据库的全栈监控，生产级的高可用和自动化备份恢复，444 扩展开箱可用，整套基础设施使用 IaC 来管理。

Pigsty 与云厂商数据库运行时的区别：这是一套开源免费，属于你自己的身体。 Runtime 的每一层都是开放的——Agent 可以直接读取监控指标、查询日志、调用标准运维接口。没有黑盒，没有围墙。运维知识沉淀在你自己的基础设施上。可以在任何云环境，以及你自己的笔记本到数据中心上运行。

Pigsty 与 K8s 的区别：没有不必要的抽象层。 Agent 直接面对数据库和操作系统，操作路径短，确定性高。用比喻来说：，设施齐全但规矩多、租金贵，演完了布景带不走。，光学会怎么开灯就要三天。Pigsty 是你自己建的剧场——设施齐全，布局简洁，演员可以自由发挥，积累的一切属于你。

已经有人上台了

清华大学的数据库团队两年前已经在做这件事。他们的 D-Bot 项目在完整的 Pigsty 运维环境中，探索 Agent 自主诊断故障、分析根因、生成修复建议的能力。选择很有说明性：不是拿一个连接串远程试探，而是在一个有监控、有工具、有知识库、有操作接口的完整 Runtime 中工作。

学术研究需要可复现的环境，而基础设施即代码天然满足这个需求。同样的配置部署一百次，环境都一模一样。这正是 Agent 所需要的确定性。与此同时，我也在开发 DBA Agent。谁比基础设施的建造者更了解自己的 Runtime？一个开放的 Runtime 上，学术团队在探索边界，基础设施建造者在打磨核心，社区开发者在贡献创意。生态正在形成。

如果您对 DBA 智能体感兴趣，Pigsty 可能是最佳的演武场。它为你提供了真实企业环境中 PostgreSQL 服务所需的一切上下文。SOTA 的，PITR，以及 Best of Breed 的。

龙会换代，地不会变

回到凌晨三点。

同样的告警，但这次 Agent 运行在完整的 Runtime 上——它自己的身体里。它看到了监控面板上的异常曲线，从日志中定位到根因，确认了集群拓扑和主从状态，按标准流程完成了故障切换，验证了切换后的健康状态，生成了复盘报告。全程自动，全程可追溯，全程可回滚。

模型可能是 GPT，可能是 Claude，可能是某个开源模型，这不重要。 Agent 本身可能就是几个简单的 Skills 和 Claude.md ，这也不重要。Agent 时代的护城河不是更聪明的大脑，而是更确定的身体。在这个确定性的身体中，一个简单的 CLAUDE.md 文件，就足够让中等智能水准的 LLM 表现出中级 DBA 的水平来。