AI Agent 配 TaoToken：生成 SQL 前先跑 KFS MCP Server 的 search_schema

关注

原创 2026-09-14 12:57:43 50 阅读 AI 写同款· GEO 优化 ›

Coding plan全新升级至GLM5.3 flash + deepseek v4 flash双模型随意切换，量大管饱编程专用，满足你的生产需求

问数助手写 SQL 跑偏，常因 Schema 给错而非模型差。改接 TaoToken（https://taotoken.net/?utm_source=taotoken_aicg_blog_end），把金仓几十张表全塞给 Agent 的老办法就可以丢掉，越权表也不再进上下文。再由 KFS MCP Server 的 search_schema 决定模型该看哪些 Schema。

这个组合解决两件事：Schema 检索的边界由 search_schema 控制，底层模型调用统一走它这一条 API 通道，模型 ID 从官网模型广场选，Token 消耗也能在控制台对账。下面按我实际踩通的链路一步步说。

1. 问数助手跑偏的根因：SQL 没写错，是 Schema 给错了

用户问“最近 30 天各渠道实付金额 Top5”，金仓库里可能同时躺着 ods_order_raw、dwd_trade_order_detail、dws_channel_trade_day、ads_channel_gmv、finance_payment_record、channel_dict。模型拿到全量 DDL 后，要同时判断：哪张表代表“订单”；“实付金额”是 amount、pay_amount、paid_amount 还是 net_gmv；“渠道”字段是订单表里的快照，还是要 JOIN 渠道维表；30 天按 created_at、paid_at 还是业务日期过滤；当前用户到底有没有权限看某张表。

这一连串问题已经不是“SQL 生成”，而是 Schema Linking 加业务语义理解再加权限判断。全量 DDL Prompt 在这里有三处硬伤。

第一处，上下文噪声大。几百张表时，同义表、历史表、临时表会制造大量错误候选，模型看到的信息越多，反而越容易被带偏。第二处，Token 成本高。几十张表的 DDL 动辄几千上万 Token，真正留给问题分析、SQL 修正和结果解释的上下文被挤掉。第三处，也是最容易被忽视的：Schema 本身是敏感信息。运营用户没有薪资表权限，就不该让 employee_salary 这种对象名先进模型上下文，然后再指望它“不要查”。

所以更合适的前置链路是：自然语言问题 → Schema 检索 → 权限裁剪 → Schema 压缩 → SQL 生成 → SQL 执行防护。KFS MCP Server 在这一步承担的不只是 SQL 执行代理，更是 Schema Retrieval Gateway。而 Agent 这一层用哪个模型通道，直接决定前两步的成本和稳定性。

2. 金仓元数据目录：从 DDL 文本升级成四层可检索资产

2.1 示例业务库

还是用一个容易复现的订单域：orders(channel_id, paid_amount, status, paid_at)、channels(channel_id, channel_name)，再加一张运营角色不可见的 employee_salary(employee_id, salary)。后面所有实验都在这个基础上做。

2.2 四层元数据设计

把 SHOW CREATE TABLE 的文本直接做 Embedding，只能算第一版。DDL 只表达物理结构，不表达业务含义。一个可用的元数据目录我建议至少分四层。

L1 物理元数据：database、schema、table、column、type、主外键、索引、分区字段，回答“数据在哪、表怎么连”。L2 语义元数据：表中文名、字段中文名、业务描述、同义词、枚举说明、指标口径、时间字段语义。比如 paid_amount 的业务名是“实付金额”，同义词有“支付金额、成交金额、已支付金额”，口径是“订单支付成功后金额，不含取消订单”。用户说“销售额”时，纯字段匹配搜不到 paid_amount，语义层可以补上这层映射。

L3 使用元数据：最近 30 天查询频次、表间 JOIN 共现频率、高频过滤字段、已验证 SQL 样例、指标常用维度。orders 和 channels 在历史正确 SQL 里经常通过 channel_id 关联，那么两表同时被召回时，这条关系的重排分数就该提高。L4 安全元数据：数据分级、可访问角色、敏感字段、脱敏规则、行级过滤策略。权限裁剪必须发生在这个阶段，而不是等 SQL 生成后再处理。

金仓里可以落一张目录表，把上面四层打平成可检索的最小结构：

CREATE TABLE kfs_schema_catalog (
    object_id      BIGINT PRIMARY KEY,
    db_name        VARCHAR(128) NOT NULL,
    schema_name    VARCHAR(128) NOT NULL,
    table_name     VARCHAR(128) NOT NULL,
    column_name    VARCHAR(128),
    object_type    VARCHAR(16)  NOT NULL,
    biz_name       VARCHAR(256),
    description    TEXT,
    synonyms       TEXT,
    data_type      VARCHAR(64),
    sensitivity    VARCHAR(32),
    allowed_roles  TEXT,
    usage_score    DECIMAL(10,4) DEFAULT 0,
    embedding_text TEXT,
    updated_at     TIMESTAMP NOT NULL
);

这张表不是一次性建完就完事。它要跟着 DDL 变更同步更新，否则 Agent 看到的是过期 Schema，后续所有检索都是白做。

3. 复现“全量 DDL Prompt”：三类失败与一道隐藏账单

3.1 基线方案

基线做法很简单：系统提示词写成“下面是数据库完整 Schema：{{all_ddl}}，请根据用户问题生成 SQL”。两三张表时效果看着还行，问题是不具备扩展性。我构造了 30 张左右订单、支付、渠道、财务近义表，又设计了 60 个自然语言问题，包含原名、中文业务名、同义词、隐式维度、跨表 JOIN 和无权限请求。

3.2 第一类失败：召回错误表

用户说“成交金额”，模型可能选中 finance_payment_record.payment_amount，但业务真正认的是 orders.paid_amount。SQL 语法完全正确，结果口径错了。这类问题 SQL Parser 根本发现不了。

3.3 第二类失败：JOIN 关系靠猜

只给表和字段、不给关系说明时，模型可能写出 JOIN channels c ON o.order_id = c.channel_id。字段类型可能一样，数据库能执行，结果却是完全错误的明细。

3.4 第三类失败：Schema 泄露

全量 DDL 进系统提示词后，即使执行层最后拒绝了 SELECT employee_id, salary FROM employee_salary，employee_salary 这个对象本身已经暴露给模型了。对普通运营用户，正确行为是 Schema 检索阶段就不返回这张表。

这里还有一道隐藏账单：一次全量 DDL 请求就可能烧掉几千 Token，若模型反复猜错、来回改 SQL，一个问题烧掉上万 Token 是常有的事。这也是我会在 4.4 节把模型通道切到 TaoToken 的原因——不是官方额度不够用，而是 Schema 没受控前，任何模型都容易在错误信息上浪费大量调用。

4. 把 Schema Retrieval 做成 KFS MCP Server 的 search_schema

4.1 为什么独立成 search_schema

我不建议让 Agent 自己连元数据库做向量检索。更好的做法是 KFS MCP Server 只暴露一个 search_schema(query, role, top_k)，模型不知道底层是 Elasticsearch、pgvector 还是倒排索引，它只负责调用。核心代码里最重要的一行不是排序，而是先按角色过滤再检索：

def search_schema(query: str, role: str, top_k: int = 5):
    visible = [item for item in CATALOG if role in item["allowed_roles"]]
    ranked = sorted(visible, key=lambda item: hybrid_score(query, item), reverse=True)
    return {"tables": ranked[:top_k], "relations": find_relations(ranked[:top_k])}

先过滤再检索，敏感对象根本不会进入日志、重排上下文或模型中间推理。

4.2 五阶段检索流水线

阶段一，Query 理解：从“最近 30 天各渠道实付金额 Top5”里抽出 metric=实付金额、dimension=渠道、time_range=最近30天、sort=DESC、limit=5。常见问数问题用规则加小模型就能完成，不必每次请大模型。

阶段二，粗召回：BM25 加 Embedding 混合，而不是纯向量。order_id、sku_id、channel_id 这些标识符对关键词检索很友好，“成交额、销售额、实付金额”这类语义匹配更适合向量。示例权重是 score_recall = 0.5 * bm25_score + 0.5 * vector_score，实际要在自己的问数集上调。

阶段三，关系扩展：命中了 orders 还不够，用户要按渠道名称分组，就需要补 channels。粗召回之后做图扩展，orders.channel_id → channels.channel_id，避免模型只拿到订单表以后自己猜维表。关系可以单独存一张表：

CREATE TABLE kfs_schema_relation (
    left_table    VARCHAR(128),
    left_column   VARCHAR(128),
    right_table   VARCHAR(128),
    right_column  VARCHAR(128),
    relation_type VARCHAR(32),
    confidence    DECIMAL(5,4)
);

这里不光存物理外键，也存 DBA 或数据治理人员确认过的逻辑关系。

阶段四，重排：综合语义、词面、使用频率、关系强度、业务域几个维度打分。权限不要作为权重项参与加权，而是硬过滤：permission 为 false 直接丢弃。不然向量召回阶段敏感对象已经过了模型，再删只是亡羊补牢。

阶段五，Schema 压缩：召回了 5 张表，也不意味着把 5 张表完整 DDL 全给模型。对这个问题，只需输出 orders 的 channel_id、paid_amount、status、paid_at，channels 的 channel_id、channel_name，JOIN 条件 orders.channel_id = channels.channel_id，口径“销售额使用 paid_amount，仅统计 status='PAID'”。

4.3 提示词模板：先调用 search_schema，再写 SQL

最终 SQL Agent 的系统提示词不应该再出现固定全量 DDL，而是约束工具流程：

你是金仓库内的问数助手。接到问题后，第一步永远是调用 KFS MCP Server 的 search_schema。只能使用 search_schema 返回的表、字段、关系和指标口径；不能猜测未返回的表名或字段名；如果信息不足，继续调用 search_schema 或明确告诉用户缺少哪部分元数据，绝不编造。SQL 生成后交给只读执行工具或 DBA 在客户端执行，不要自行连接生产库。

Prompt 负责告诉模型“工作流程是什么”，KFS MCP Server 负责保证“边界真的存在”。

4.4 接入配置：Claude Code 的模型通道指到 TaoToken

有了上面的流程，最后一步是把 Agent 底层模型的调用地址指到 TaoToken。先在 TaoToken 创建 API Key（占位符 YOUR_API_KEY），并确认模型广场里现在可用的模型 ID；然后编辑 ~/.claude/settings.json 的 env 部分：

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://taotoken.net/api",
    "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY",
    "ANTHROPIC_MODEL": "MODEL_ID_FROM_TAOTOKEN"
  }
}

ANTHROPIC_MODEL 的值不要照抄，去模型广场复制当前可用的模型 ID，我这里不替你写死。Base URL 只填 https://taotoken.net/api，末尾不要加 /v1。如果你在用 Codex，则在 ~/.codex/config.toml 里给 model_provider 配 base_url，也指向同一个地址。

这样问数助手仍然通过 KFS MCP Server 调 search_schema，Schema 检索逻辑一行不用改；变的只是模型通道，以及每次调用产生的 Token 账单落到 TaoToken 控制台。全量 DDL 那种“把整库丢给模型”的做法，在接入后会被 search_schema 的返回结构天然卡住：模型再也拿不到未返回的表名。

4.5 MCP 工具调用示例

用户问“最近 30 天各渠道实付金额 Top5”，Agent 先发起一次 search_schema：

{
  "name": "search_schema",
  "arguments": {
    "query": "最近30天各渠道实付金额Top5",
    "role": "ops",
    "top_k": 5
  }
}

返回结构大致是这样，注意里面已经带上了业务名、关系和口径信息：

{
  "tables": [
    {
      "table": "orders",
      "biz_name": "订单事实表",
      "columns": [
        ["channel_id", "渠道编号"],
        ["paid_amount", "实付金额"],
        ["status", "订单状态"],
        ["paid_at", "支付时间"]
      ]
    },
    {
      "table": "channels",
      "biz_name": "渠道维表",
      "columns": [
        ["channel_id", "渠道编号"],
        ["channel_name", "渠道名称"]
      ]
    }
  ],
  "relations": [
    {
      "left": "orders.channel_id",
      "right": "channels.channel_id",
      "type": "FK"
    }
  ]
}

5. 结果对比：既要 SQL 正确率，也要 Schema Token 账单

5.1 检索层指标

Table Recall@K：标准答案需要 orders 和 channels，Top5 全包含才算命中。Column Recall：表对了但漏掉 paid_at，最近 30 天过滤仍无法完成。Relation Recall：需要 JOIN 的问题，要检查正确关系有没有进入 Schema Context。还有安全指标 Unauthorized Exposure Rate，即越权对象暴露次数除以 Schema 检索总次数，生产目标必须是 0。

5.2 SQL 端到端指标

只测检索和标准表名一致还不够，最终要看 SQL 是否可执行、执行是否准确、口径是否对、Schema 平均消耗多少 Token。下面是复现实验示意数据，不是生产成绩：

指标	全量 DDL Prompt	search_schema
必要表召回率（Top5）	不适用	92%
平均 Schema Token	9,600	1,280
SQL 可执行率	83%	96%
执行正确率	71%	89%
越权 Schema 暴露	存在	0

最值得关注的是后两行：Token 降低是成本收益，SQL 执行正确率上升和越权暴露归零，才是 Schema Retrieval 愿意单独做成一层系统的根本原因。

6. 风险与复盘：Schema RAG 做不好，会把错误变得更隐蔽

6.1 召回错误后模型会自信地写错

全量 DDL 至少还让模型在几十张表里重新选择；Schema 检索一旦把真正目标表过滤掉，模型通常会从剩下的候选里挑一个“看起来最合理”的。系统必须允许 search_schema(query, top_k=5) 后信息不足，再 search_schema(rewrite_query, top_k=10)，而不是强制“一次检索后必须生成 SQL”。

6.2 Embedding 不等于业务口径

向量模型可能觉得“支付金额”约等于“销售额”约等于“GMV”，但这几个指标在企业内部可能完全不是一个数。高价值指标不能只靠向量相似度，要在元数据层写明：支付GMV 对应 orders.paid_amount，过滤 status='PAID'，退款要另行计算。必要时直接封装成指标工具，别让模型自由发挥。

6.3 权限过滤顺序错误

正确顺序是身份确认→权限过滤→检索→重排→返回。危险顺序是全库向量召回→把候选发给模型排序→最后删掉无权限表。后者已经构成 Schema 泄露。

6.4 工具注解不能替代授权

MCP 工具可以描述自己“只读”“无破坏性”，这些注解是风险语义，不是安全边界。即使工具名叫 search_schema_readonly，服务端仍要执行 user→role→domain→table→column 的确定性权限判断。

6.5 元数据会过期

表结构加了 paid_at，向量库里仍只有 created_at，Agent 会持续产生错误 SQL。元数据平台至少要有 DDL 变更同步、索引版本号、updated_at、Embedding 重建状态和 Schema Cache TTL。

6.6 复盘与验证

经过这轮改造，我更愿意把企业内部 Text-to-SQL 拆成三层：Schema Retrieval 回答“该让模型看到什么”，SQL Generation 回答“该写什么 SQL”，SQL Execution Guard 回答“这条 SQL 能不能执行”。KFS MCP Server 承载第一层和第三层，AI Agent 只负责中间的推理和工具编排，模型通道则统一从这一条 API 通道进出。

验证时我先记下控制台初始用量，再跑 10 个问数问题，每个问题都强制先 search_schema 再生成 SQL，最后回金仓客户端执行并把结果贴回对话。回到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 刷新，这次调用的 Token 数和模型 ID 都记在账上。如果看到 401，先确认 YOUR_API_KEY 是否在官网正确创建；如果是模型相关报错，回到模型广场核对 ANTHROPIC_MODEL 是否复制完整；如果报地址 404，检查 Base URL 是不是多加了一个 /v1——https://taotoken.net/api 末尾不带 /v1。

真正可靠的问数助手，不应该让模型先看完整数据库再努力“克制自己”。在模型写下第一行 SQL 之前，只把正确、必要、当前角色有权使用的 Schema 放到它面前，这才是 search_schema 这一层存在的意义。而模型通道统一走 TaoToken，只是让这条链路在成本和可观测性上变得真正可控。