learn-claude-code: https://github.com/shareAI-lab/learn-claude-code

(SIGMOD 2025) AgentTune: An Agent-Based Large Language Model Framework for Database Knob Tuning

最近在学习Learn-claude-code过程中看到这篇文章 AgentTune，越发感觉Agent的定义在Claude这里更加革新，而且超越了我对以前编程范式的认知。

AgentTune

如果按照我之前的认知，AgentTune这个Agent使用时完全没问题的. 在这篇文章里面, 他提出了可以作为一个DBA的专家智能体 (agent). 工作流被固定为 Workload Analyzer / Knob Selector / Range Pruner/ Configuration Recommender.

• Workload Analyzer 用于收集整理 Workload的特征和画像(profile). 很多都是rule-based去执行并获取信息。
• Knob Selector 选择参数
• Range Pruner 修建取值空间
• Configuration Recommender 推荐选择Knob的配置。

这里每一步都是由LLM来产出结果。你能说它不智能吗？明显不是。但看了 Claude Code 的拆解后，我产生了一种“代差感”：AgentTune 更有序、更稳重，但它更像是一个被固定在流水线上的 Prompt Chain。真正的“灵活”不应该是预设好的 1-2-3-4，而应该是像 Claude Code 定义的那样：整个输入就是一个 Prompt，Agent 守着一个 Tool Dispatch Map（工具调度表）。它自己决定什么时候该去调工具，拿到结果后再自己分析下一步该干嘛。这种完全由 LLM 主导的自主循环，才是我心中更高级的智能形态。

Claude Code 定义的Agent

来让我们看一下 claude code 怎么定义agent

其实我一直想写一下 看了learn-claude-code 之后的感受，他让我真正感觉到了编程方法的革新。

Claude Code 展现了另一种完全不同的思维方式：Agent 的本质是一个无限循环（Infinite Loop）

在 Claude 的最基本最基本的架构中 (lesson 01)：

• 核心内核：仅仅是一个 while 循环加上一组结构化的 Tools（工具）。
• 驱动力：系统不定义任何顺序（Workflow），而是给 LLM 一个初始 Prompt 和一个 Tool Dispatch Map（工具调度表）。
• 自演进：LLM 决定下一步该调用哪个工具、分析反馈结果，然后再决定下一步。

在这里，自然语言变成了“汇编语言”，而 LLM 成了执行逻辑的“机器”。所有的工具输入输出都被序列化为文本，让整个流程完全由 LLM 自主主导。

例如这篇文章target的topic: database tuning.

我们不需要定义 Workflow，而应该去开发 Harness（基础设施），准备好 Skills 和 Tools

一点想法

那么回到这个问题，如何在这个agentTuning的基础上去真正开发这样一个agent，这就是一个新的research idea了。 实际上我觉得数据库调优（DB Tuning）简直是这种自主 Agent 的绝佳战场！DB 需要持续的交互反馈才能达到最佳状态。我想基于这个灵感做一个 Toy Project，去真正开发一个DB Tuning Agent. 下面是一些想法记录下来：

• 动态规划工作流 (TodoWrite)：不再硬写死调优步骤。我们要把 Knob Selector 这种专业模块重构成 Tool。Agent 可以根据中间反馈动态调整计划。如果目标是 TiDB，它就去读取 TiDB 的 Skill；如果是 PG，就加载 PG 的知识库，这种按需加载（On-demand）的方式比堆砌 Prompt 聪明得多。

• 异步“思考”机制 (Background Tasks)：数据库重现（Workload Replay）非常耗时。我们可以利用 Background Tasks，让 Agent 触发测试后转入后台执行，主逻辑继续同步分析日志或预研其它指标，思考不被阻塞。

• 分布式调优与协作 (Subagents & Task Graph)

• 针对 TiDB 这种复杂的分布式架构，单一 Agent 的上下文容易过载。我们可以仿照 Claude Code 的设计：

• Task Graph：定义组件（TiKV, TiFlash）之间的调优依赖图。Subagents：主 Agent 负责全局目标，并派生子代理专门负责单一组件或指标，保持每个代理的上下文环境整洁。