Saltar al contenido
Logotipo de Aurabase
aurabase

Auditoría de desempeño p99

Identifique consultas lentas, comprenda EXPLICAR ANALIZAR, estrategias de indexación y los 5 antipatrones que matan a Postgres en producción.

Guía práctica14 min leerNivel avanzadoRevisado el 15 abr 2026

Esta página fue traducida automáticamente. La versión en inglés es autorizada.

Medir antes de optimizar#

Una auditoría comienza con números. El estudio expone p50/p95/p99 por punto final y por consulta. Capture una línea de base de 7 días antes de cualquier cambio.

Información

Los comandos CLI aura db slow-queries y aura db stats consultan pg_stat_statements y las métricas de tamaño/grupo de bases de datos en su proyecto vinculado, con alcance para su proyecto (también disponible en Studio › Base de datos y Registros). aura db inspect indexes|tables|locks enumera el uso de índices (con los no utilizados marcados), tamaños de tablas, filas muertas y bloqueos: los diagnósticos que /raw no puede ejecutar porque rechaza los catálogos del sistema.

clibash
# Las 10 consultas más caras (tiempo total)
aura db slow-queries --limit 10

# Conexiones y tamaño de la base de datos (latencias de endpoints: Studio › Registros)
aura db stats

pg_stat_statements en tiempo real#

pg_stat_statements está instalado y precargado en cada proyecto nuevo. Agrega cada consulta normalizada (no se almacenan valores literales) con mean_exec_time, calls y rows. /raw no lo lee directamente (la vista abarca todo el clúster), así que use los comandos anteriores, que devuelven solo las consultas de su proyecto, o Studio › Base de datos.

top-10bash
aura db slow-queries --limit 10 --json
aura db inspect indexes        # idx_scan = 0 y no único/primario → sin usar

Lea el plan como un profesional#

Una consulta que se ejecuta por más tiempo que el tiempo de espera de la declaración del proyecto (10 s) se cancela con STATEMENT_TIMEOUT (HTTP 504) / «cancelación de declaración debido al tiempo de espera de la declaración» en aura db raw: reduce el trabajo o divídelo.

El plan le dice por qué la consulta es lenta. Las 4 señales a buscar:

  • Seq Scan en la tabla> 10k filas → índice faltante
  • rows (estimated) ≠ rows (actual) por ±10× → estadísticas obsoletas, analyze table_name
  • Nested Loop en más de 100k líneas → se prefiere la unión hash, tal vez falte un DONDE
  • Materialize o Sort Method: external merge → RAM agotada, work_mem para aumentar
debugsql
explain (analyze, buffers, format json)
select * from orders
where customer_id = 'abc' and created_at > now() - interval '30 days';

cuando, que, como#

  • Árbol B (predeterminado): igualdad, rango, orden por. El 80% de los casos.
  • GIN: búsqueda de texto completo, JSONB, tablas. using gin (to_tsvector('french', body)).
  • GiST: tipos de rango, restricciones de exclusión, búsqueda de similitud (pg_trgm).
  • HNSW (pgvector): búsqueda de vectores, > 100k vectores.
  • Parcial: condiciones comunes, where deleted_at is null para eliminación temporal.
  • Cubriendo: include (...) para evitar la búsqueda en la tabla.
Atención

Cada índice ralentiza INSERTAR/ACTUALIZAR/ELIMINAR (~5-15% por índice). Elimine los índices no utilizados: aura db inspect indexes los enumera (nunca escaneados, no únicos, no primarios).

¿Qué mata a Postgres en producción?#

  1. N+1 consultas: realice una unión o use !inner en el SDK en lugar de un bucle
  2. Paginación por OFFSET: más allá de 1000, use el cursor (where id > last_seen)
  3. SELECT * en tablas grandes: solicita solo las columnas necesarias
  4. Transacciones largas: bloquean VACUUM y provocan hinchazón. Mantener < 1 segundo
  5. Políticas RLS no indexadas: si su política utiliza tenant_id = auth.tenant(), indexe tenant_id

para ir más lejos#