Oracle 19c ứng dụng thực tế + tính năng mới của 23ai/26ai — PL/SQL · thay đổi không gián đoạn · chẩn đoán sự cố · vector

Tôi học tuning thực hành SQLP bằng cách tái hiện nguyên vẹn các kế hoạch thực thi trong bài giảng trên Oracle 26ai Free ở PC của mình. Tôi đánh giá 30 câu hỏi thực hành do chính mình biên soạn dựa trên số liệu đo thực tế (số block đã đọc, số lần thực thi), rồi thử viết cả đáp án.

Sau khi học tối ưu hóa SQL, hãy tự động hóa các công việc xử lý tối ưu hóa lặp đi lặp lại. Đây là một dự án thực tiễn kết nối mọi quy trình, từ thu thập truy vấn MySQL, chẩn đoán bằng AI, xác minh bằng đo lường thực tế, bàn giao cho người phụ trách đến theo dõi tái diễn.

Trước một sự kiện quy mô lớn, DB cần chuẩn bị những gì và ngay khi mở cửa cần kiểm tra điều gì trước tiên? Hãy luyện tập trình tự ứng phó trước, trong và sau sự kiện qua các bản ghi thực tế trong môi trường Aurora dùng cho đào tạo về CPU của Reader tăng đột biến, chờ khóa, deadlock và chuyển đổi dự phòng, cùng các câu lệnh SQL chẩn đoán.

Khắc phục các API sản phẩm và sự kiện bị quá tải khi mở bán bằng L1 cục bộ + L2 từ xa + chống cache stampede + cơ chế vô hiệu hóa + kill switch, rồi chứng minh bằng số liệu trước và sau mức giảm băng thông, độ trễ và tải DB dưới cùng một mức tải.

Trước một sự kiện quy mô lớn, PostgreSQL cần chuẩn bị những gì và ngay khi mở bán cần kiểm tra điều gì trước tiên? Luyện tập trình tự ứng phó trước, trong và sau sự kiện qua các ghi chép thí nghiệm trực tiếp trên Aurora PostgreSQL dùng cho đào tạo về tình trạng chờ khóa, deadlock, VACUUM bị trì hoãn, chuyển đổi dự phòng và CPU của Reader tăng vọt, cùng các câu lệnh SQL chẩn đoán và playbook cho 7 loại sự kiện.

Chúng ta sẽ triển khai trọn vẹn một batch quyết toán hàng tháng của người bán trên sàn thương mại điện tử giả lập. Dựa trên kiến thức cơ bản về Pro*C, chúng ta sẽ đọc mã nguồn, sửa bốn lỗi tiềm ẩn bằng các bản vá tối thiểu, giảm số lượt truy cập DB từ 265,893 xuống còn 359 nhờ xử lý mảng, rồi chuyển sang ECPG và JDBC để chứng minh rằng kết quả của cả ba không khác nhau dù chỉ một dòng. Tất cả lệnh đều được chạy trực tiếp trên Oracle Database Free và PostgreSQL trong Docker.

Từ khâu đăng ký đến email, biên bản họp, báo cáo, PDF, Excel và tài liệu thuyết trình, bạn sẽ lần lượt thực hành qua tài liệu mô phỏng tại một công ty giả định, học cách giao việc cho Claude rồi đối chiếu kết quả với bản gốc để yên tâm sử dụng.

Đã học cách dùng Claude Code rồi, nhưng áp dụng thế nào vào hệ thống legacy của chúng ta? Chúng ta sẽ dùng Claude Code để bổ sung lớp bảo vệ cho dịch vụ đặt hàng Spring Boot chưa có bài kiểm thử nào, tìm ra 5 lỗi ẩn và kiểm chứng các bài kiểm thử do AI viết bằng kiểm thử đột biến.

6 lỗi đều vượt qua kiểm thử H2 và mock nhưng chỉ phát sinh trên MySQL, Redis và Kafka production sẽ được tái hiện và xử lý từng lỗi một bằng kiểm thử tích hợp Testcontainers. Bao gồm singleton/tái sử dụng container, CI và chẩn đoán lỗi flaky.

Sau phần nhập môn Kubernetes, khi dịch vụ của tôi gặp sự cố. Chỉ dựa vào các triệu chứng như khởi động lại, chạy chậm, lỗi 502 hay triển khai bị treo, dùng kubectl và các chỉ số để xác định nguyên nhân rồi khắc phục. Trên Kubernetes cục bộ ở máy tính xách tay, tự tạo ra 8 sự cố, sau đó đo và so sánh các chỉ số trước và sau khi sửa với cùng một mức tải.

Đã học các nguyên tắc thiết kế DB, nhưng phải tạo bảng cho đơn hàng, hoàn tiền và quyết toán như thế nào? Chúng ta sẽ điều chỉnh lược đồ qua 41 bước để một đơn hàng đi xuyên suốt từ thanh toán, hủy một phần, trả hàng, hoàn tiền đến quyết toán, lần lượt đáp ứng 38 yêu cầu.

Chúng tôi thay thế các API cấp coupon và đăng ký sản phẩm đồng bộ vốn bị sập khi lượng truy cập tăng đột biến lúc mở bán bằng queue, outbox, consumer idempotent, DLQ và Temporal; đồng thời tự tái hiện trên Docker ở máy tính của mình các số liệu trước và sau khi thay đổi (độ trễ, tỷ lệ lỗi, số lần commit DB) với cùng mức tải.

Trong các microservice nối tiếp từ API đặt hàng → thanh toán → tồn kho → Kafka → consumer → batch, chúng ta trực tiếp tái hiện các vấn đề như trace bị đứt đoạn, phình to thành hàng nghìn span rồi âm thầm bị loại bỏ, hoặc biến mất khỏi dashboard; sau đó khắc phục theo trình tự triệu chứng → xác định nguyên nhân → xử lý, để hoàn thiện trace liền mạch từ đầu đến cuối cùng dashboard.

Mỗi sáng, tôi trực tiếp xây dựng trên Docker trên laptop của mình một tác nhân DBA có thể đo đạc MySQL·PostgreSQL, lập bảng chẩn đoán xếp hạng bằng các ký tự A·B·C·N, dùng EXPLAIN để chẩn đoán các truy vấn có vấn đề rồi soạn bản nháp yêu cầu cải thiện, đồng thời xem xét kế hoạch tăng·giảm số lượng kết nối và Reader trước đợt sale cùng chi phí.

[Mục tiêu cuối cùng] Tự tay hoàn thiện một agent vận hành có thể chạy xuyên suốt từ tiêm lỗi → cảnh báo → AI phân tích bước đầu → runbook và phương án xử lý → người phê duyệt thực hiện → đến bản nháp postmortem. Triển khai sàn thương mại điện tử ảo 'Loop Market' bằng Docker và thực hành với Prometheus, Grafana, Loki và Claude.

Tự xây dựng một pipeline phát triển bằng cách chạy Claude Code ở chế độ headless, để chỉ với một dòng bình luận trên issue, PR cần review sẽ được tạo ra. Mã hóa các quy tắc của nhóm bằng CLAUDE.md, skill và hook, đồng thời bổ sung ba bước kiểm duyệt thủ công, bot review, sổ theo dõi các nhận định sai và giới hạn chi phí.

Mục tiêu cuối cùng: biến một công việc lặp đi lặp lại của tôi thành một kỹ năng Claude → đồng nghiệp cài đặt và sử dụng → báo cáo thời gian tiết kiệm được bằng con số. Không cần viết mã, tôi sẽ trực tiếp chạy và kiểm tra 12 kỹ năng theo từng vị trí công việc dựa trên dữ liệu của cửa hàng tổng hợp thể thao và dã ngoại giả lập “Loop Market”, rồi hoàn thiện kỹ năng cho công việc của mình trong đồ án cuối khóa.

Nếu bạn đang chạy cơ sở dữ liệu bằng Docker, bạn sẽ học cách tự tái hiện trên máy tính của mình 30 tình huống có thể làm mất dữ liệu hoặc khiến dữ liệu không đọc được—từ `down -v`, `prune`, tên thư mục, biến môi trường mật khẩu, việc dừng sau 10 giây, giới hạn bộ nhớ, thẻ image đến sao lưu bằng cách sao chép volume—sau đó đọc log cơ sở dữ liệu để tìm nguyên nhân và khôi phục dữ liệu bằng phục hồi theo thời điểm.

Trước cuộc họp lúc 9 giờ thứ Hai, giao Cowork tổng hợp hiệu quả quảng cáo trên 3 kênh, quyết toán coupon, các phản hồi không hài lòng và kiểm tra tồn kho; mọi người chỉ cần xem bảng đối soát. Dùng dữ liệu của cửa hàng trực tuyến mô phỏng để tạo hơn 40 tệp kết quả theo từng người phụ trách và 5 kỹ năng, đồng thời hoàn tất việc lên lịch chạy tự động lúc 8 giờ mỗi sáng thứ Hai.

Biến nửa ngày chốt sổ cuối tháng thành 30 phút tải tệp lên và kiểm tra. Giao cho Claude Cowork 16 tệp kênh giả lập theo mô hình Smart Store, Coupang và Cafe24 để tạo bảng tổng hợp đơn hàng → đối soát quyết toán (đơn hàng ↔ quyết toán ↔ sao kê ngân hàng, đưa chênh lệch chưa giải thích về 0) → lãi lỗ hàng trả lại → tồn kho và đặt hàng → danh sách yêu cầu CS chưa xử lý → kỹ năng chốt sổ cuối tháng. Giao việc bằng tiếng Hàn, không cần viết mã hay công thức, rồi đối chiếu với dữ liệu gốc để xác nhận. Học qua 28 tình huống thực tế và nhật ký thực thi thực tế của Claude.