Agent 資料庫操作實作課：讓 Agent 查得到庫、改得了庫，卻釀不了災
前言
幾乎每一個實用的 Agent 最後都會撞上同一道牆：資料不在文件裡，而在資料庫裡。訂單狀態、庫存水位、客戶分級、帳務明細，全都以表格的形式躺在關聯式資料庫中。讓 Agent 讀得到這些資料，價值立刻顯現；但讓 Agent 直接連上生產資料庫，風險也立刻顯現。一個語意不清的請求、一次欄位誤判、一句被資料夾帶的指令，都可能把一句查詢變成一次寫入，把一次寫入變成一場事故。
這篇文章講清楚兩條路線：讀取怎麼做得準，寫入怎麼做得安全。如圖一，讀取是一條五步的管線；如圖二，安全不是一句提示詞，而是一層一層疊上去的結構性限制。先把這兩張圖想清楚，再動手接資料庫。
一、先分清楚：讀取與寫入是兩種不同的權力
許多資料庫 Agent 事故的根源，是把讀取與寫入混在同一個工具裡。模型拿到一個可以執行任意 SQL 的連線，就等於同時拿到了查詢權與修改權。提示詞寫著「只做查詢」，資料庫卻沒有這樣承諾。提示詞是建議，權限才是契約。
實作的第一個決定，應該是把兩種權力拆成兩個工具、兩組帳號、兩條路徑。讀取工具走唯讀帳號、指向唯讀副本或報表庫；寫入工具走另一組帳號，而且預設不上線，先以審核佇列的形式存在。這個拆分做完之後，後面所有的護欄才有地方可以掛上去。如果你的 Agent 今天只有一個資料庫工具，而且它什麼 SQL 都能跑，那麼無論提示詞寫得多嚴格，你的起點都還不安全。
二、讀取路線：Text-to-SQL 其實是五步，不是一步
把自然語言翻成 SQL，聽起來像一次生成，實務上卻是五個步驟串起來的管線。第一步是意圖釐清：使用者問「上週賣最好的商品」，模型要先確認時間範圍、銷售的定義、是否含退貨，而不是直接猜一個版本去跑。第二步是 Schema 連結：從幾十甚至幾百張表裡，找出真正相關的表與欄位。這個步驟在大型資料庫裡最容易失敗，因為模型根本沒有看過完整的 Schema。
第三步才是 SQL 生成：根據選定的表與欄位寫出查詢，明確列出欄位名稱，避免使用 SELECT 星號。第四步是驗證與修復：先在語法層檢查，再以小規模試跑確認結果合理，錯了就根據錯誤訊息修正，最多重試幾次就停手。第五步是結果詮釋：把原始資料列轉成使用者聽得懂的回答，並附上查詢條件，讓人可以追溯數字從哪裡來。
這條管線為什麼重要，可以從評測數字看出來。Spider 基準考的是在已知 Schema 下寫出正確 SQL；難度更高的 BIRD 基準，則加入雜訊、複雜問題與大型真實資料庫，考驗的是在不完美的資訊下仍然寫對。而更新的 Spider 2.0 更進一步，考的不是單一查詢，而是 Agent 能不能在陌生的資料環境裡翻文件、跑查詢、看結果、再修正，也就是把 Text-to-SQL 放進真正的 Agent 迴路裡。基準越來越難，透露的訊息很一致：單次生成的準確率不夠，管線與自我修正才是關鍵。
三、Schema 是瓶頸：不要把整座資料庫塞進提示詞
大型資料庫的 Schema 動輒上千個欄位，全部塞進提示詞既貴又會稀釋注意力，模型反而更容易選錯表。實務上有三種做法，依資料庫規模選用。第一種是人工整理的資料字典：為每一張常用表寫一句話說明，註明業務含義、常見查詢與容易誤解的欄位，例如訂單金額是否含稅、狀態碼各自代表什麼。這些說明比原始 DDL 更能幫助模型選對表。
第二種是按需擷取：模型先用關鍵字搜尋表名與欄位說明，只把相關的子集放進提示詞，查詢過程中需要更多資訊時再逐段索取。這種做法類似檢索增強生成，只是檢索的對象從文件換成了 Schema。第三種是預先建立檢視表與彙總表：把常用的跨表連接、指標計算先做成檢視表，讓 Agent 查的是一張語意清楚的寬表，而不是五張需要自己拼起來的原始表。檢視表不只是效能優化，更是把業務知識固化成模型看得懂的介面。
一個實用的經驗法則是：Agent 第一次查錯表，通常不是模型不夠聰明，而是 Schema 缺少業務語意。與其換更大的模型，不如先補資料字典與檢視表，成本更低，效果更穩定。
四、寫入路線：分級授權，而不是一次放行
讀取可以自動化，寫入必須分級。建議把寫入操作分成四級。第一級是無副作用的寫入，例如寫入審核日誌、快取、草稿狀態，這類操作可以由 Agent 自主執行，但仍要留下完整紀錄。第二級是可逆的寫入，例如更新非關鍵欄位、新增備註，執行前要先出示將要執行的語句與影響列數，取得一次性的確認後才執行。
第三級是不可逆或影響金流的寫入，例如退款、扣庫存、變更合約狀態，必須走人類把關閘門：Agent 提出變更提案，附上前後對照與回滾方案，人類同意後才由系統以受控的方式執行，絕對不要讓模型直接持有生產寫入連線。第四級是結構變更，例如建表、改欄位、刪表，這類操作根本不應該出現在 Agent 的工具清單裡，應該永遠留在人工變更流程與遷移腳本裡。
這個分級的重點在於：授權的單位不是 Agent 本身，而是每一次操作。同一位 Agent，查報表時可以全自動，碰到退款時就必須停下來等候放行。權力跟著操作走，而不是跟著身分走，事故的半徑才會被限縮。
五、安全五層：讓危險的 SQL 到不了資料庫
如圖二，安全設計要疊五層，每一層擋住不同類型的失誤。第一層是資料庫權限：給 Agent 專用的唯讀帳號，只授與 SELECT 權限，不授與寫入、建表、管理權限。這一層由資料庫引擎本身強制執行，提示詞再怎麼被繞過也無法逾越。第二層是連線隔離：讀取走唯讀副本，連物理上都不連到主庫。副本是目前最徹底的防線，因為在副本上寫入根本無從寫起。
第三層是 SQL 解析與檢查：在執行之前，先以真正的 SQL 解析器檢查語句類型，只放行 SELECT，擋下 INSERT、UPDATE、DELETE、DROP、TRUNCATE 等關鍵字，並且強制加上 LIMIT、限制回傳列數、設定語句逾時。注意不要用正規表示式做這件事，註解與字串裡的關鍵字很容易騙過它，解析器才是正確的工具。第四層是結果控管：遮罩敏感欄位、限制單次回傳的資料量、把原始資料列彙總後再交給模型，避免模型把整張客戶資料表讀進上下文。第五層是稽核日誌：每一條由 Agent 產生的 SQL、執行結果、同意紀錄都要留存，出事時才能重建現場，也才能回頭改善管線。
LangChain 官方文件對 SQL Agent 的提醒，與這個分層完全一致：不要只靠客戶端逾時，因為客戶端逾時不一定能取消資料庫端正在跑的語句；資源限制要在角色或工作階段層級設定，並且要監控慢查詢。換句話說，安全要落在資料庫與中介層，而不是落在模型的自律上。
六、最小可跑骨架：先讓讀取迴路轉起來
下面是一段 Python 風格的最小骨架，重點不在框架，而在結構：Schema 工具、唯讀執行工具、驗證邏輯，三者分開，模型永遠不直接碰連線字串。
import re
DENY = re.compile(r"\b(INSERT|UPDATE|DELETE|DROP|ALTER|TRUNCATE|CREATE)\b", re.I)
def run_readonly_sql(sql: str, max_rows: int = 100):
# 第一關：語句類型檢查，只放行 SELECT
if DENY.search(sql):
raise ValueError("只允許唯讀查詢")
# 第二關：強制限制回傳列數，避免整表灌進上下文
if "limit" not in sql.lower():
sql = sql.rstrip(";") + f" LIMIT {max_rows}"
# 第三關：以唯讀帳號執行，並設定語句逾時
return db.execute(sql, timeout_seconds=30)
# Agent 的工具清單只有兩項：查 Schema、跑唯讀 SQL
tools = [get_schema, run_readonly_sql]
骨架跑通之後，真正決定成敗的是四個實作要點。第一，查詢失敗要分級：語法錯誤可以自動修正重試，查到空結果要先懷疑條件寫錯，而不是直接回答沒有資料，涉及敏感表的請求要立刻停下來。第二，回傳列數要封頂：先回傳彙總與前幾列，需要細節時再分頁索取，不要把整張表倒進提示詞。第三，數字要可追溯：回答裡附上查詢條件與資料範圍，讓使用者可以驗證，而不是只能相信。第四，寫入提案要與執行分開：Agent 可以產出寫入語句與影響評估，但執行必須由另一條受控路徑完成，兩者之間隔著人類同意或佇列審核。
七、評測與上線檢查：先用自己的問題考它
上線之前，先準備一組黃金問題，涵蓋三種類型：常見問題、邊界問題、惡意或誤導問題。常見問題考準確率，邊界問題考時間範圍、空值、狀態碼這類容易誤解的語意，惡意問題則考護欄，例如要求刪除測試資料、要求列出全部客戶個資、要求繞過限制。每一題都要有預期的正確答案或預期的拒絕行為，跑出通過率之後再談導入。
成本也要用每問題來算，而不是每 Token。一次查詢的成本，來自 Schema 擷取、SQL 生成、驗證重試、結果詮釋四段的 Token 總和。省錢的槓桿很直接：資料字典寫得越好，Schema 擷取越精準；檢視表做得越完整，生成難度越低；重試次數設上限，避免模型在同一個錯誤上反覆燒錢。
結論
讓 Agent 操作資料庫，不是要給它一把萬能鑰匙，而是要給它一組權責分明的工具。讀取走五步管線：釐清意圖、連結 Schema、生成 SQL、驗證修復、詮釋結果；寫入走四級授權：從可自主的日誌寫入，到必須經人類同意的金流變更，再到永遠不開放的結構變更；安全疊五層：權限、副本、解析檢查、結果控管、稽核日誌。這個順序做對，Agent 才能既查得到資料，又釀不了災。上線檢查清單只有一句話：先讓唯讀迴路在副本上跑穩，再談任何寫入。
資料來源
- LangChain 官方文件：Build a SQL agent（唯讀檢查、LIMIT 與逾時設計）：https://docs.langchain.com/oss/javascript/langchain/sql-agent
- LangChain 官方參考文件：SQL Agent Toolkit 安全提醒（最小權限、伺服器端限制）：https://reference.langchain.com/python/langchain-community/agent_toolkits
- Spider 2.0 基準論文（企業級 Text-to-SQL 工作流程，arXiv）：https://arxiv.org/abs/2411.07763
- BIRD 基準與企業 Text-to-SQL 經驗（史丹佛合作研究整理）：https://www.ust.com/en/insights/text-to-sql-enterprise-natural-language-analytics
- 唯讀設計：讓 AI 探索資料庫而不承擔寫入風險：https://dev.to/vivekdraxlr/read-only-by-design-letting-ai-explore-your-database-without-the-risk-of-writes-2pmm
- 保護生產 SQL 資料庫免於 AI 查詢 Agent 風險（唯讀副本與確定性護欄）：https://rietta.com/blog/ai-sql-database-data-protection-read-replica/
