1. 同一条 SQL 为什么会有“多重人格”
线上告警最让人抓狂的一种情况：同一条 SQL，白天跑 200ms，晚上跑 8s，第二天早上又恢复正常。你去看 SQL 文本，一个字都没变；你去看索引，也没人动过。但V$SQL里这条语句挂着好几个子游标，每个子游标对应一个不同的PLAN_HASH_VALUE，执行次数和耗时天差地别。
这就是 Oracle 里典型的“绑定变量窥探（Bind Peeking）+ 自适应游标共享（Adaptive Cursor Sharing）”组合拳带来的副作用。简单说，优化器第一次硬解析时偷看了绑定变量的值，按那个值选了一个计划；后面换了绑定变量值，如果 ACS 判定“这个值可能适合另一个计划”，就会再生成一个子游标。于是同一个SQL_ID下出现多个执行计划，快的快死、慢的慢死。
适合谁看：日常要盯 Oracle 性能的 DBA、后端开发、运维同学。你需要会基本的 SQL*Plus 或 SQL Developer 操作，能查V$SQL、V$SQL_PLAN这类动态性能视图。这篇会给出可直接复制的 SQL_ID 定位语句、执行计划对比方法、绑定变量捕获配置，以及用 TaoToken 统一 Key 接入 AI 工具辅助分析执行计划文本的完整流程。
我试过在一条统计类 SQL 上踩坑：SQL_ID固定，但CHILD_NUMBER从 0 涨到 5，BUFFER_GETS从几百飙到几十万。下面按“定位 → 对比 → 捕获 → 修复 → 验证”的顺序走一遍。
2. 前置准备：TaoToken 统一 Key 与 API 通道
排查执行计划时，经常需要把DBMS_XPLAN输出、AWR 报告片段丢给 AI 工具做结构化解读，比如“这个 HASH JOIN 为什么比 NESTED LOOPS 慢”“哪个步骤的 Cardinality 估算偏差最大”。如果每个 AI 工具都单独配 Key、单独改 base_url，切换成本很高。TaoToken 的作用就是提供一个统一的 API 通道和 Key 管理入口，让模型对话、编码辅助、Agent 类工具走同一套接入方式。
你需要先拿到一个可用的 Key。打开官网注册后进入控制台，在 API Keys 页面创建一个新 Key，复制保存。注意 Key 只在创建时完整显示一次，丢了就重新建。
- 官网入口：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
- 控制台 / API Keys：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_campaign=rewrite
- 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_campaign=rewrite
- API 基地址（不带 UTM）：https://taotoken.net/api
注意：API 地址填
https://taotoken.net/api，不要自己拼/v1之外的路径，具体以接入文档为准。Key 属于敏感凭证，不要写进代码仓库或贴到公开聊天里。
如果你只是临时验证模型能不能正确解读执行计划，用模型对话页面最省事；如果要把 AI 分析嵌进日常编码/脚本流程，走 Coding Plan 更合适。下面第 3 节先给 Oracle 侧的排查配置，第 4 节再给 TaoToken 侧的调用验证。
3. 可复制配置：定位多计划 SQL 与捕获绑定变量
3.1 找出“一人多面”的 SQL_ID
第一步永远是先确认这条 SQL 到底有几个计划。下面这条语句按PLAN_COUNT倒序，把多计划 SQL 排前面，同时算出平均耗时区间，方便你判断“快慢差异”有多大。
set linesize 400; col sql_text_sample for a120; SELECT sql_id, COUNT(DISTINCT plan_hash_value) AS plan_count, COUNT(DISTINCT child_number) AS child_count, SUM(executions) AS total_executions, MIN(ROUND(elapsed_time / NULLIF(executions,0) / 1000000, 4)) AS min_avg_sec, MAX(ROUND(elapsed_time / NULLIF(executions,0) / 1000000, 4)) AS max_avg_sec, SUBSTR((SELECT sql_text FROM v$sqltext_with_newlines WHERE sql_id = v.sql_id AND piece = 0), 1, 120) AS sql_text_sample FROM v$sql v WHERE executions > 0 AND plan_hash_value > 0 GROUP BY sql_id HAVING COUNT(DISTINCT plan_hash_value) > 1 ORDER BY plan_count DESC, max_avg_sec DESC;预期结果：你会看到类似g07bjs22tcg72这样的SQL_ID，plan_count=2、child_count=3，min_avg_sec=0.0003、max_avg_sec=1.2。快慢差三个数量级，基本可以锁定问题。
3.2 查看某个 SQL_ID 下所有子游标的“体检表”
拿到SQL_ID后，看每个子游标的执行次数、逻辑读、是否绑定敏感。
SELECT child_number, plan_hash_value, executions, buffer_gets, disk_reads, rows_processed, is_bind_sensitive, is_bind_aware FROM v$sql WHERE sql_id = 'g07bjs22tcg72' ORDER BY child_number;IS_BIND_SENSITIVE=Y说明这个游标对绑定变量值敏感，IS_BIND_AWARE=Y说明 ACS 已经为它启用了多计划能力。这两个字段是判断“是不是绑定变量窥探惹的祸”的关键。
3.3 逐个对比执行计划
SELECT * FROM TABLE(DBMS_XPLAN.DISPLAY_CURSOR('g07bjs22tcg72', 0)); SELECT * FROM TABLE(DBMS_XPLAN.DISPLAY_CURSOR('g07bjs22tcg72', 1));重点看三处：Plan hash value是否不同、Cost (%CPU)差多少、Rows（估算行数）和实际A-Rows（如果开了STATISTICS_LEVEL=ALL）偏差多大。常见现象是慢计划里出现了TABLE ACCESS FULL，而快计划走的是INDEX RANGE SCAN。
3.4 捕获绑定变量真实值
光看计划不够，还要知道当时传了什么值。开启绑定变量捕获：
ALTER SYSTEM SET "_optimizer_capture_sql_plan_baselines" = TRUE; -- 或者用更通用的方式，先确认捕获视图可用 SELECT name, value FROM v$parameter WHERE name LIKE '%bind%';更直接的是查V$SQL_BIND_CAPTURE：
SELECT sql_id, name, position, datatype_string, value_string, last_captured FROM v$sql_bind_capture WHERE sql_id = 'g07bjs22tcg72' ORDER BY position;如果这里查不到值，说明捕获没开或已被刷出。可以在会话级临时开启：
ALTER SESSION SET events '10046 trace name context forever, level 4';注意：
10046级别 4 会记录绑定变量，但 trace 文件增长快，排查完记得关掉，别长期开着。
3.5 用 TaoToken 接入 AI 辅助解读计划
把上面DBMS_XPLAN的输出复制出来，通过 TaoToken 的 API 通道发给模型，让它帮你标出“估算行数偏差最大的步骤”和“可能的修复方向”。下面是一个最小可用的 curl 示例，Key 用你自己的替换。
curl https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [ {"role": "system", "content": "你是 Oracle 性能优化专家，只输出执行计划中估算偏差最大的步骤和修复建议。"}, {"role": "user", "content": "SQL_ID g07bjs22tcg72 child 1 的计划如下：\n| Id | Operation | Name | Rows | Cost |\n| 0 | SELECT STATEMENT | | | 28 |\n| 5 | HASH JOIN | | 2 | 21 |\n请指出问题。"} ] }'如果你更习惯在对话界面里贴长文本，直接用模型对话入口：https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_campaign=rewrite
4. 验证请求与成功结果
4.1 验证 TaoToken 通道是否通
先用一个最简单的请求确认 Key 和地址没问题：
curl https://taotoken.net/api/v1/models \ -H "Authorization: Bearer $TAOTOKEN_API_KEY"返回模型列表 JSON 即表示通道正常。如果返回 401，检查 Key 是否复制完整；返回 404，检查 base_url 是否写成了https://taotoken.net/api。
4.2 验证执行计划对比是否有效
在 Oracle 侧，用DISPLAY_CURSOR对比两个子游标后，你应该能明确回答三个问题：
- 快计划用了什么访问路径（如
INDEX RANGE SCAN）？ - 慢计划用了什么访问路径（如
TABLE ACCESS FULL）？ - 慢计划的
Rows估算和实际差多少倍？
如果三个问题都能答上来，说明定位到位。接下来做修复验证：用 SQL Profile 或 Hint 固定快计划，再跑一次业务 SQL，观察V$SQL里是否还新增子游标。
-- 用 SQLT 或 coe_xfr_sql_profile 固定计划后，确认子游标不再增长 SELECT child_number, plan_hash_value, executions, buffer_gets FROM v$sql WHERE sql_id = 'g07bjs22tcg72' ORDER BY child_number;预期结果：修复后一段时间内child_number不再增加，buffer_gets稳定在低位，max_avg_sec回落到和min_avg_sec同一量级。
4.3 验证 AI 解读结果是否可用
把 AI 返回的“偏差最大步骤”和你在DISPLAY_CURSOR里看到的实际A-Rows对照。如果 AI 指出的步骤确实是你肉眼也怀疑的那一步，说明解读有效。不要盲信 AI 给的 Hint，它只是帮你缩小排查范围，最终改 SQL 或加 Hint 前要在测试库验证。
5. 本篇常见错排查
报错一：ORA-00942: table or view does not exist查V$SQL时出现。原因通常是当前用户没有查动态性能视图的权限。用SYS或授予SELECT_CATALOG_ROLE、SELECT ON V_$SQL后重试。
报错二：DISPLAY_CURSOR返回SQL_ID not found。子游标可能已经被刷出共享池。先查V$SQL确认SQL_ID还在，如果不在，改用DBMS_XPLAN.DISPLAY_AWR从 AWR 快照里找。
报错三：V$SQL_BIND_CAPTURE查不到值。绑定变量捕获默认只对部分语句生效，且可能被刷出。确认_optimizer_capture_sql_plan_baselines或会话级10046已开，并尽快查询。
报错四：TaoToken 请求返回 401 或 403。Key 失效、复制时带了空格、或者请求头没带Bearer。重新在控制台生成 Key，确认Authorization: Bearer <key>格式正确。
报错五：AI 返回内容为空或截断。执行计划文本太长超出上下文窗口。把DBMS_XPLAN输出裁剪到关键步骤（Id、Operation、Name、Rows、Cost），去掉重复的分隔线再发。
报错六：固定计划后业务 SQL 仍偶尔变慢。检查是否有其他 SQL_ID 也命中了同一张表，或者统计信息在夜间自动收集后计划又变了。把统计信息收集时间避开业务高峰，并考虑锁定统计信息。
6. 长期编码与 Agent 场景的接入建议
如果你不只是临时排查，而是要把“执行计划分析”做成日常流程——比如每天定时抓多计划 SQL、自动调 AI 生成报告、推送到群里——那用模型对话页面手动贴文本就不够了。这种长期编码/Agent 场景更适合走 Coding Plan，把 TaoToken 作为统一通道接进你的脚本或内部工具。
- 长期编码 / Agent 接入：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_campaign=rewrite
- 接入文档（含 base_url、鉴权、模型列表）：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_campaign=rewrite
- API Keys 管理：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_campaign=rewrite
一个实用技巧：把第 3.1 节的 SQL 存成脚本，输出 CSV，再用 Python 读 CSV 调 TaoToken API，让模型只输出“疑似绑定变量窥探”的 SQL_ID 列表。这样每天跑一次，比等告警再排查主动得多。执行计划对比和绑定变量捕获这两步，建议在测试库先演练一遍，确认DISPLAY_CURSOR和V$SQL_BIND_CAPTURE都能正常返回，再上生产。
