Imagine o seguinte: são 2 da manhã de uma terça-feira. Seu cluster de banco de dados — o coração pulsante da sua plataforma de e-commerce — está engasgando de repente. A CPU está em 95%, as queries estão dando timeout, e você é o plantonista que precisa resolver o problema.

E o pior: você tem exatamente 30 minutos para identificar os culpados, ajustar o banco de dados e estabilizar tudo antes que a liderança acorde exigindo respostas.

Parece familiar? Todos nós já passamos por isso — vasculhando métricas do CloudWatch manualmente, ajustando parâmetros em pânico e cruzando os dedos para que um VACUUM ANALYZE não piore as coisas. Mas e se você não precisasse mais fazer isso? E se você tivesse um Agente de Banco de Dados autônomo — um parceiro de raciocínio — capaz de diagnosticar os gargalos, formular hipóteses de correção e até implementá-las de forma autônoma, tudo isso explicando sua lógica como um DBA sênior movido a cafeína?

Hoje, nesta sessão, vamos mergulhar de cabeça nesse mundo. Temos um banco de dados Aurora PostgreSQL em execução que já está apresentando problemas de performance. A missão: restaurar o banco de dados para um desempenho saudável. Vamos demonstrar como desenvolver um banco de dados auto-recuperável com Agentes de IA alimentados pelo framework Strands, capazes de agir de forma independente para atingir objetivos específicos. Você vai acompanhá-los em ação — analisando logs, consultando métricas, gerando otimizações SQL e iterando sobre configurações — tudo em tempo real.