Jak nasadit vlastního AI DBA agenta: DeepSQL v praxi
Minulý týden vyšlo na Y Combinatoru téma, které tě může zajímat, pokud spravuješ databázi. Jmenuje se DeepSQL a dělá jednu věc: funguje jako 24/7 DBA agent pro Postgres a MySQL. Rozdíl oproti cloud-hosted nástrojům je zásadní — poběží u tebe na serveru, tvá data neopustí infrastrukturu a připojíš ho k databázi přes read-only přístup.
V tomto článku ti ukážu, jak ho reálně nasadit, co umí a kde jsou limity.
Proč vlastní AI DBA agent
Pokud provozuješ aplikaci nad Postgres nebo MySQL, znáš tenhle cyklus: pomalý dotaz v produkci → někdo se stěžuje → otevřeš pg_stat_statements nebo slow log → trávíš hodinu analýzou → doporučíš index → nasadíš → doufáš, že to pomohlo. Mezitím ti běží na produkci schéma, které se mění, a nikdo nemá kapacitu dělat pravidelný audit.
Cloudové AI nástroje na analýzu dat (od velkých hráčů) většinou chtějí tvoje data nebo alespoň metadata poslat k sobě na servery. Pokud pracuješ se zákaznickými daty, GDPR, finančními záznamy nebo prostě nechceš svou schéma vystavovat, tohle je showstopper.
DeepSQL řeší obojí: AI analýzu dotazů a schématu, ale všechno běží v tvém VPC.
Co DeepSQL reálně umí
Po nasazení dostaneš tři hlavní funkce:
1. BI dotazy v plain English. Místo psaní SQL se zeptáš "kolik bylo rezervací minulý týden?" a agent přeloží dotaz na SQL na základě tvého schématu. Funguje to proto, že DeepSQL si schéma zindexuje a naučí se tvé konvence — pokud mu řekneš, že MRR = SUM(subscription.mrr) WHERE status = 'active', bude to respektovat.
2. DBA doporučení. Agent si pravidelně načítá pg_stat_statements nebo MySQL slow log, seskupuje podobné dotazy do "fingerprintů" (z 1 284 dotazů udělá třeba 96 vzorů) a navrhuje indexy nebo přepisy. Vidíš v UI seznam doporučení, která můžeš schválit jedním klikem.
3. Hlídání schématu. Agent si udržuje přehled o změnách ve schématu a varuje, když se něco rozbije nebo chybí index na často filtrovaném sloupci.
K tomu máš CLI pro terminál, web UI v prohlížeči a — a to je pro automatizaci klíčové — MCP server. To znamená, že se k agentovi připojíš z Claude, Codex nebo Cursoru a můžeš ho zapojit do svého coding workflowu.
Nasazení krok za krokem
Tady je reálný postup, jak DeepSQL nasadit na Linuxovém serveru (EC2, VPS nebo kontejner v tvém VPC).
1. Instalace
Jednořádkový install na jakékoliv Linuxové mašině:
# DeepSQL doporučuje curl-based installer
curl -fsSL https://deepsql.ai/install.sh | bash
Nainstaluje agenta, CLI a MCP server. Po dokončení ověř:
deepsql --version
# v0.26.0 nebo novější
Alternativně můžeš použít Docker — image jsou dostupné a doporučují se pro produkci, protože lépe izoluješ agenta od host systému.
2. Připojení databáze
Klíčový bezpečnostní krok: nepřipojuj agenta přímo na produkční master. DeepSQL doporučuje read-only přístup k replice. Vytvoř dedikovaného uživatele:
-- Postgres
CREATE ROLE deepsql_ro WITH LOGIN PASSWORD 'silne-heslo'
CONNECTION LIMIT 5;
GRANT CONNECT ON DATABASE mojeapp TO deepsql_ro;
GRANT USAGE ON SCHEMA public TO deepsql_ro;
GRANT SELECT ON ALL TABLES IN SCHEMA public TO deepsql_ro;
ALTER DEFAULT PRIVILEGES IN SCHEMA public
GRANT SELECT ON TABLES TO deepsql_ro;
Pak v DeepSQL CLI:
deepsql connections add \
--name prod-replica \
--type postgres \
--host aws-rds-replica.internal \
--ssl require \
--user deepsql_ro
Agent začne zindexovávat schéma — uvidíš v UI progress "brain still initializing". U větší databáze to trvá desítky minut, protože indexuje každý sloupec a vztahy.
3. Naučení firemní logiky
Tady se DeepSQL liší od generického SQL assistanta. Můžeš mu popsat tvé business definice plain English:
// MRR = SUM(subscription.mrr) WHERE status = 'active'
// Active hotel = check-ins ≥ 1 za posledních 30 dní
// Cena je v CZK, pokud není uvedeno jinak
Agent pak tyhle pravidla aplikuje při generování SQL. Pokud se zeptáš "jaký je MRR za červenec", použije správnou definici místo toho, aby hádal.
4. Zapnutí slow log analýzy
Nasměruj DeepSQL na tvůj pg_stat_statements:
deepsql logs connect \
--source pg_stat_statements \
--window 30d
Agent si stáhne data, seskupí dotazy podle fingerprintu a začne generovat doporučení. Uvidíš něco jako "42 brain recommendations to review" v CLI.
5. Připojení k Claude nebo Codex přes MCP
Pokud používáš Claude Code nebo Cursor pro vývoj, připoj DeepSQL jako MCP server. V konfiguraci klienta přidej:
{
"mcpServers": {
"deepsql": {
"command": "deepsql",
"args": ["mcp", "serve"]
}
}
}
Pak se můžeš v Claude zeptat "jaké jsou top 3 index doporučení pro prod databázi?" a Claude si zavolá DeepSQL přes MCP, dostane výsledek a shrne ti ho. Tohle je největší přidaná hodnota — propojení AI DBA s tvým coding agentic workflow bez kopírování dat.
Kde jsou limity
DeepSQL není kouzelný hůlka. Pár věcí, na které si dej pozor:
Agent nepíše do databáze automaticky. Všechna doporučení (indexy, rewrite dotazů) musíš schválit. To je správně — nechceš, aby AI sama nasazovala změny na produkci. Ale znamená to, že agent ti práci neodvede, jen ji zrychlí.
Schéma musí být rozumně strukturované. Pokud máš databázi s 2 000 tabulkami bez cizích klíčů a konzistentních názvů, agent bude mít problém odvodit vztahy. Čím lepší konvence, tím lepší výsledky.
Nároky na zdroje. Agent indexuje schéma a udržuje vektory pro sémantické hledání. U velkých databází si nastav dostatek RAM (doporučují 4 GB+ pro produkční použití).
Verze je mladá. V době psaní je DeepSQL ve verzi 0.26. Produkčně použitelný, ale počítej s tím, že se budou měnit API a chování. Nasazuj ho tam, kde výpadek agenta nezastaví tvou aplikaci — agent je nadstavba, ne kritická součást.
Kdy se to vyplatí
DeepSQL dává smysl, pokud:
- Spravuješ Postgres nebo MySQL databázi, která má stovky tabulek nebo více — tam se agent vyplatí nejvíc.
- Máš opakující se pomalé dotazy, ale chybí ti kapacita na systematickou analýzu.
- Pracuješ v regulovaném prostředí, kde data nesmí opustit infrastrukturu (finance, zdravotnictví, B2B SaaS s NDA).
- Používáš už AI coding agenta a chceš mu dát kontext nad databází přes MCP.
Nedává smysl, pokud máš jednoduchou databázi na pár tabulek a ty sám ji znáš nazpaměť. Tam ti stačí manuální analýza.
Shrnutí
DeepSQL je v současné generaci AI nástrojů jeden z mála, co řeší reálný problém (DBA údržba) a zároveň respektuje, že firemní data nepatří na cizí servery. Kombinace self-hostingu, read-only přístupu k replice a MCP integrace z něj dělá rozumný kompromis mezi automatizací a kontrolou.
Pokud tě napadlo "kdo hlídá hlídače" — tedy jestli je bezpečné dát AI agentovi přístup k produkční databázi — máš recht se ptát. Read-only role, SSL, connection limit a běh v izolovaném kontejneru jsou tvoje obranné linie. Pokud je máš nastavené, riziko je přijatelné. Pokud ne, nejdřív nastav přístupy, pak připojuj agenta.
DeepSQL je open-core, self-hosted. Verze 0.26.0 vyšla v červenci 2026 v rámci Y Combinator S26 batch.
