database-optimization — скилл для Claude Code: настройка БД
Скилл database-optimization для Claude Code разбирает планы запросов и помогает выбирать индексы для PostgreSQL и MySQL. Разбирает причины медленных запросов и работу с подключениями.
Apache-2.0 ★ 2 858 обновлён 2026-05-12
npx skills add rohitg00/awesome-claude-code-toolkit --skill database-optimization -a claude-codeЧто делает database-optimization
Скилл предлагает начать с EXPLAIN ANALYZE: по плану можно заметить последовательное сканирование, лишнюю сортировку или расхождение оценочного и фактического числа строк. Затем он помогает подобрать индекс под запрос — например, B-tree для фильтрации и сортировки, а в PostgreSQL GIN для JSONB и полнотекстового поиска.
Внутри есть рекомендации по поиску N+1, пакетной загрузке данных, пулу подключений, репликам и партиционированию. Разбираются PostgreSQL и MySQL, но часть приёмов относится только к PostgreSQL; тип индекса нужно выбирать под конкретный запрос и схему таблиц.
Скилл также перечисляет рискованные шаблоны: глубокую пагинацию через OFFSET, ORDER BY RANDOM() и запросы на изменение данных без WHERE. Для реплик отдельно оговорено, что чтение сразу после записи нужно направлять на primary, иначе возможна проблема согласованности.
Какие задачи решает
- найти причину медленного запроса по плану выполнения
- подобрать индекс для фильтрации, сортировки или поиска
- обнаружить N+1 запросы в обработчике
- настроить маршрутизацию чтения и записи между базой и репликами
- выбрать стратегию партиционирования большой таблицы
Примеры запросов агенту
- Разбери план
EXPLAIN ANALYZEэтого запроса и предложи, какой индекс проверить. - Найди в этом обработчике N+1 запросы и покажи вариант пакетной загрузки.
- Проверь запросы к PostgreSQL на рискованные шаблоны и предложи замену для глубокой пагинации.
Как установить database-optimization
1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill database-optimization -a claude-code2Вручную: положить файлы
~/.claude/skills/database-optimization/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/database-optimization/
1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill database-optimization -a codex2Вручную: положить файлы
.agents/skills/database-optimization/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill database-optimization -a cursor2Вручную: положить файлы
.cursor/skills/database-optimization/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install rohitg00/awesome-claude-code-toolkit skills/database-optimization2Вручную: положить файлы
.github/skills/database-optimization/SKILL.md1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill database-optimization -a gemini-cli2Командой платформы
gemini skills install https://github.com/rohitg00/awesome-claude-code-toolkit --path skills/database-optimizationВручную: положить файлы
.devin/skills/database-optimization/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о database-optimization
Как установить database-optimization в Claude Code?
Выполните npx skills add rohitg00/awesome-claude-code-toolkit --skill database-optimization -a claude-code. Файл скилла находится по пути ~/.claude/skills/database-optimization/SKILL.md.
Что делает скилл database-optimization?
Помогает анализировать планы запросов, выбирать индексы и искать проблемы вроде N+1. Также содержит рекомендации по пулам подключений, репликам и партиционированию.
Для каких баз данных предназначен database-optimization?
Он охватывает PostgreSQL и MySQL. Некоторые варианты индексов и настройки, например GIN и частичные индексы, относятся к PostgreSQL.
Исходный текст
SKILL.md · Apache-2.0
---
name: database-optimization
description: Query optimization, indexing strategies, and database performance tuning for PostgreSQL and MySQL
---
# Database Optimization
## EXPLAIN Analysis
Always run `EXPLAIN ANALYZE` before optimizing. Read the output bottom-up.
```sql
-- PostgreSQL
EXPLAIN (ANALYZE, BUFFERS, FORMAT TEXT) SELECT ...;
-- MySQL
EXPLAIN ANALYZE SELECT ...;
```
Key metrics to watch:
- **Seq Scan** on large tables = missing index
- **Nested Loop** with high row count = consider hash/merge join
- **Sort** without index = add index on sort column
- **Rows estimated vs actual** divergence = stale statistics, run `ANALYZE`
## Index Strategies
### B-tree (default, most cases)
```sql
CREATE INDEX idx_users_email ON users (email);
CREATE INDEX idx_orders_user_date ON orders (user_id, created_at DESC);
```
Use for: equality, range queries, sorting. Column order matters in composite indexes: put equality columns first, then range/sort columns.
### Partial Index (PostgreSQL)
```sql
CREATE INDEX idx_orders_pending ON orders (created_at)
WHERE status = 'pending';
```
Use when queries always filter on a specific condition. Dramatically smaller than full indexes.
### GIN (PostgreSQL - arrays, JSONB, full-text)
```sql
CREATE INDEX idx_products_tags ON products USING GIN (tags);
CREATE INDEX idx_docs_search ON documents USING GIN (to_tsvector('english', content));
```
### GiST (PostgreSQL - spatial, range types)
```sql
CREATE INDEX idx_locations_point ON locations USING GiST (coordinates);
CREATE INDEX idx_events_period ON events USING GiST (tsrange(start_at, end_at));
```
### Covering Index (index-only scans)
```sql
-- PostgreSQL
CREATE INDEX idx_users_email_name ON users (email) INCLUDE (name);
-- MySQL
CREATE INDEX idx_users_email_name ON users (email, name);
```
## N+1 Query Detection
Symptom: 1 query to fetch parent + N queries for each child.
```python
# BAD: N+1
users = db.query(User).all()
for user in users:
print(user.orders) # triggers query per user
# GOOD: eager load
users = db.query(User).options(joinedload(User.orders)).all()
```
```javascript
// BAD: N+1
const users = await User.findAll();
for (const user of users) {
const orders = await Order.findAll({ where: { userId: user.id } });
}
// GOOD: batch load
const users = await User.findAll({ include: [Order] });
```
Detection: enable query logging, count queries per request. More than 10 queries for a single endpoint is a red flag.
## Connection Pooling
```
Rule of thumb: pool_size = (core_count * 2) + disk_count
Typical web app: 10-20 connections per app instance
```
PostgreSQL:
- Use PgBouncer in transaction mode for serverless/high-connection scenarios
- Set `idle_in_transaction_session_timeout = '30s'`
- Monitor with `pg_stat_activity`
MySQL:
- Set `max_connections` based on available RAM (each connection uses ~10MB)
- Use ProxySQL for connection multiplexing
- Monitor with `SHOW PROCESSLIST`
## Read Replicas
- Route all `SELECT` queries to replicas
- Route all writes to primary
- Account for replication lag (typically 10-100ms)
- Never read-after-write from a replica; use primary for consistency-critical reads
- Use connection-level routing, not query-level
```python
# SQLAlchemy read replica routing
class RoutingSession(Session):
def get_bind(self, mapper=None, clause=None):
if self._flushing or self.is_modified():
return engines["primary"]
return engines["replica"]
```
## Partition Strategies
### Range Partitioning (time-series data)
```sql
-- PostgreSQL
CREATE TABLE events (
id bigint GENERATED ALWAYS AS IDENTITY,
created_at timestamptz NOT NULL,
data jsonb
) PARTITION BY RANGE (created_at);
CREATE TABLE events_2025_q1 PARTITION OF events
FOR VALUES FROM ('2025-01-01') TO ('2025-04-01');
CREATE TABLE events_2025_q2 PARTITION OF events
FOR VALUES FROM ('2025-04-01') TO ('2025-07-01');
```
### Hash Partitioning (even distribution)
```sql
CREATE TABLE sessions (
id uuid PRIMARY KEY,
user_id bigint NOT NULL
) PARTITION BY HASH (user_id);
CREATE TABLE sessions_0 PARTITION OF sessions FOR VALUES WITH (MODULUS 4, REMAINDER 0);
CREATE TABLE sessions_1 PARTITION OF sessions FOR VALUES WITH (MODULUS 4, REMAINDER 1);
```
Partition when tables exceed 50-100GB or when you need to drop old data quickly.
## Query Optimization Checklist
1. Run `EXPLAIN ANALYZE` and read the plan
2. Check for sequential scans on tables with >10K rows
3. Verify index usage (check `idx_scan` in `pg_stat_user_indexes`)
4. Look for implicit type casts that prevent index use
5. Replace `SELECT *` with specific columns
6. Add `LIMIT` to queries that only need a subset
7. Use `EXISTS` instead of `COUNT(*) > 0`
8. Batch `INSERT`/`UPDATE` operations (500-1000 rows per batch)
9. Avoid functions on indexed columns in `WHERE` clauses
10. Monitor slow query log (pg: `log_min_duration_statement = 100`)
## Dangerous Patterns
- `LIKE '%term%'` on unindexed columns (use full-text search instead)
- `ORDER BY RANDOM()` (use `TABLESAMPLE` or application-level randomization)
- `SELECT DISTINCT` masking a join problem
- Missing `WHERE` on `UPDATE`/`DELETE` (always verify with `SELECT` first)
- Long-running transactions holding locks
- Using `OFFSET` for deep pagination (use keyset/cursor pagination instead)
© rohitg00 · Apache-2.0 · rohitg00/awesome-claude-code-toolkit