构建生产级 SQL AI Agent：从自然语言到安全执行的完整工作流

本文介绍一个本地优先的生产级SQL AI Agent工作流，支持自然语言转SQL、双Agent审核、安全验证、多数据库执行和完整监控日志。该项目源自LinkedIn Learning课程《Build with AI: Safe and Scalable SQL AI Agents》，由资深数据科学工程经理Rami Krispin开发，可在本地环境运行，支持DuckDB和PostgreSQL等数据库，通过MLflow追踪性能。

数据分析师和业务人员常面临SQL编写门槛，传统BI工具在复杂查询时仍需手写SQL。LLM虽能实现自然语言转SQL，但生产化需解决语义准确性、安全性、可观测性和可扩展性等问题（如防止SQL注入、追踪执行过程等）。

该Agent采用分阶段设计：1.自然语言理解（解析用户问题提取关键信息）；2.上下文注入（注入数据库Schema信息）；3.SQL生成与双Agent审核（生成后由另一Agent独立检查准确性）；4.安全验证与执行（语法、权限、危险操作拦截等检查，支持DuckDB/PostgreSQL）；5.结果呈现与日志记录（Streamlit展示结果，MLflow记录完整日志）。

基于Python生态构建，主要依赖包括LangChain（LLM调用与Agent框架）、Streamlit（交互式界面）、DuckDB/PostgreSQL（数据库支持）、MLflow（性能监控）、OpenAI API（默认LLM）。模块化设计允许替换LLM提供商、单独测试阶段功能、扩展业务需求。

适用于多种场景：1.业务分析师自助查询（非技术人员用自然语言提问）；2.数据探索与假设验证（数据科学家快速探索数据集）；3.嵌入式数据助手（集成到企业系统）；4.教育培训（辅助学习SQL）。

支持本地开发环境部署：1.克隆项目后用Conda激活环境并安装依赖；2.创建.env文件配置API密钥和数据库连接；3.启动Agent界面（streamlit run app/agent_app.py）和日志监控面板（streamlit run app/logs_app.py）。

该项目核心价值在于完整性（覆盖全工作流）、安全性（多层验证）、可观测性（日志监控）、灵活性（多数据库支持）。未来可期待支持多轮对话、自动异常发现、主动数据洞察建议等功能。