数据集成使用教程

数据集成（GenAI Toolbox）让 AI 模型能够直接访问和查询数据库。本教程将手把手教你如何配置和使用这一功能。

架构说明（2026-05 起）

工具在 Sira 后端进程内执行（不再依赖独立的 toolbox 容器），保存即生效，没有"部署"步骤。

什么是数据集成？

数据集成 为 AI 提供了结构化数据访问能力：

用户问题 → AI Agent → 进程内数据工具 → 数据库查询 → 返回结果

核心价值：

✅ AI 可以理解自然语言并选用预定义的查询工具
✅ 支持多种数据库（MySQL、PostgreSQL、MongoDB 等）
✅ 可视化配置，无需编写代码
✅ 工具保存即生效，无需部署

五分钟快速开始

步骤 1：创建数据源

进入 数据集成 → 数据源管理
点击 创建数据源

配置示例：MySQL 销售数据库

yaml

名称: sales_db
显示名称: 销售数据库
类型: MySQL
连接配置:
  主机: localhost
  端口: 3306
  数据库: sales
  用户名: sales_user
  密码: ********

点击 测试连接 确保连接成功
保存数据源

步骤 2：创建工具

进入 数据集成 → 工具管理
点击 创建工具

工具是一段参数化的查询（不是"一组表 + 描述"）。先选数据源，再选工具类型（kind），对话框会按 kind 动态渲染字段（SQL 类显示 SQL 语句框，Cypher 类显示 Cypher 框）。

配置示例：查询销售数据

yaml

名称(name): query_sales_data
显示名称: 查询本月销售额
数据源(source_id): sales_db（选择刚创建的数据源）
工具类型(kind): sql            # 该数据源支持的类型里选
描述(description): 统计指定月份的订单总额，给 AI 看，决定何时调用

statement: |
  SELECT SUM(amount) AS total
  FROM orders
  WHERE created_at >= :start_date AND created_at < :end_date
    AND status = 'paid'

parameters:                    # 列表式，每条含 名称/类型/必填/描述
  - name: start_date
    type: string
    required: true             # 必填开关（影响"仅必填"自动生成）
    description: 月初日期 YYYY-MM-DD
  - name: end_date
    type: string
    required: true
    description: 下月初日期 YYYY-MM-DD

保存工具

步骤 3：创建工具集

进入 数据集成 → 工具集管理
点击 创建工具集

yaml

名称: sales_toolset
显示名称: 销售分析工具集
描述: 用于销售数据分析和报表生成

包含工具:
  - query_sales_data ✓

保存工具集

步骤 4：关联到 Agent

进入 Agent System → Agents
编辑或创建一个 Agent
在 工具配置 部分，选择 GenAI 工具集
勾选 sales_toolset
保存 Agent

步骤 5：测试效果

创建一个 Application 并测试：

用户: "本月销售额是多少？"
AI: "正在查询销售数据..."
   [调用 query_sales_data 工具]
   "本月销售额为 500 万元"

用户: "TOP 10 畅销产品是哪些？"
AI: [查询 products 和 orders 表]
   "TOP 10 畅销产品：
   1. iPhone 15 Pro - 销量 1200
   2. MacBook Air - 销量 800
   ..."

详细配置指南

一、数据源配置

支持的数据库类型

数据库	类型标识	默认端口	说明
MySQL	`mysql`	3306	最常用的关系型数据库
PostgreSQL	`postgresql`	5432	功能强大的开源数据库
MongoDB	`mongodb`	27017	NoSQL 文档数据库
BigQuery	`bigquery`	-	Google 云端数仓

MySQL 数据源配置

yaml

类型: MySQL

连接配置:
  主机: db.example.com
  端口: 3306
  数据库: production
  用户名: app_user
  密码: ********

高级选项:
  SSL: 启用
  连接池大小: 10
  超时时间: 30秒

连接字符串格式：

mysql://username:password@host:port/database

PostgreSQL 数据源配置

yaml

类型: PostgreSQL

连接配置:
  主机: pg.example.com
  端口: 5432
  数据库: analytics
  用户名: analyst
  密码: ********
  Schema: public

高级选项:
  SSL Mode: require
  连接池大小: 10

连接字符串格式：

postgresql://username:password@host:port/database

MongoDB 数据源配置

yaml

类型: MongoDB

连接配置:
  主机: mongo.example.com
  端口: 27017
  数据库: app_db
  用户名: app_user
  密码: ********
  认证数据库: admin

高级选项:
  副本集: rs0
  读偏好: secondary

连接字符串格式：

mongodb://username:password@host:port/database?authSource=admin

BigQuery 数据源配置

yaml

类型: BigQuery

连接配置:
  项目ID: my-project
  数据集: analytics
  服务账号密钥: [上传 JSON 密钥文件]

高级选项:
  位置: asia-east1
  查询超时: 60秒

二、工具配置

工具的核心是 kind（工具类型）+ statement（查询语句）+ parameters（参数）。一个工具 = 一段你预先写好、审过的参数化查询。AI 只能填参数，不能改 SQL —— 这正是收紧攻击面的关键。

描述要清晰

description 是 AI 判断"何时调用此工具"的唯一依据，要写清楚做什么、何时用、参数含义：

yaml

✅ 好的描述:
description: 统计指定月份的已支付订单总额。用户问"本月销售额""X 月营收"时调用。参数 start_date/end_date 为月初/下月初日期。

❌ 差的描述:
description: 查询销售

一个工具一段 statement

把多表 JOIN 写进 statement，参数用占位符（:name 或 $1，随 kind 而定）：

yaml

工具名称: regional_sales
kind: sql
description: 按地区统计指定日期之后的销售额
statement: |
  SELECT
    r.region_name,
    SUM(oi.quantity * p.price) AS total_sales
  FROM orders o
  JOIN order_items oi ON o.order_id = oi.order_id
  JOIN products p ON oi.product_id = p.product_id
  JOIN customers c ON o.customer_id = c.customer_id
  JOIN regions r ON c.region_id = r.region_id
  WHERE o.created_at >= :since
  GROUP BY r.region_name
  ORDER BY total_sales DESC
parameters:
  - name: since
    type: string
    required: true
    description: 起始日期 YYYY-MM-DD

注意：AI 不会自己拼 JOIN。复杂查询由你在 statement 里写好；AI 负责选对工具、填对参数。

收紧权限

数据源用只读账号连接，从源头限制可访问的表
复杂 / 跨表逻辑封装进视图（VIEW），工具只查视图
敏感表（users / payments / admin_logs）不要给 AI 配查询工具

三、工具集配置

按业务场景组织

场景 1：销售分析工具集

yaml

工具集名称: sales_analytics
包含工具:
  - query_sales_data（查询销售数据）
  - query_customer_data（查询客户数据）
  - query_product_data（查询产品数据）

场景 2：运营监控工具集

yaml

工具集名称: ops_monitoring
包含工具:
  - query_system_logs（查询系统日志）
  - query_performance_metrics（查询性能指标）
  - query_error_logs（查询错误日志）

场景 3：财务报表工具集

yaml

工具集名称: financial_reports
包含工具:
  - query_revenue_data（查询收入数据）
  - query_expense_data（查询支出数据）
  - query_profit_data（查询利润数据）

工具集权限管理

yaml

工具集: sales_analytics

权限配置:
  允许角色:
    - 销售经理
    - 数据分析师
    - 高管

  禁止角色:
    - 普通员工
    - 实习生

四、Agent 集成

创建数据分析 Agent

yaml

Agent 配置:
  名称: sales_analyst
  显示名称: 销售数据分析师

  模型: gpt-4o

  系统提示词: |
    你是专业的销售数据分析师。

    【你的能力】
    - 查询销售数据库
    - 生成SQL查询语句
    - 分析销售趋势
    - 制作数据报表

    【查询规则】
    1. 始终验证查询的合理性
    2. 对大数据量查询进行分页
    3. 解释查询结果的含义
    4. 提供数据洞察和建议

    【输出格式】
    - 先说明查询的内容
    - 展示查询结果
    - 给出分析和建议

  工具配置:
    GenAI 工具集:
      - sales_toolset ✓

结合其他工具

yaml

Agent 配置:
  名称: comprehensive_analyst

  工具配置:
    GenAI 工具集:
      - sales_toolset ✓

    MCP 工具:
      - WebSearch（补充市场信息）
      - ChartGenerator（生成图表）

    知识库:
      - 销售政策知识库

这样 Agent 可以：

查询数据库获取数据
搜索网络补充信息
生成可视化图表
参考知识库政策

实战案例

案例 1：销售数据分析助手

业务需求

销售团队需要快速查询：

每日销售额
TOP 产品排行
地区销售分布
客户购买分析

配置步骤

1. 创建数据源

yaml

名称: sales_db
类型: MySQL
数据库: sales_production

2. 创建工具（每段查询一个工具）

yaml

工具: daily_sales      # kind: sql, statement 写好"按日汇总销售额"
工具: top_products     # kind: sql, statement 写好"TOP N 畅销产品"
工具: regional_sales   # kind: sql, statement 写好"按地区统计"（含 JOIN）

3. 创建工具集

yaml

工具集: sales_analytics
工具: [sales_query_tool]

4. 创建 Agent

yaml

Agent: sales_assistant
模型: gpt-4o
工具集: sales_analytics
提示词: "你是销售数据分析专家..."

5. 创建 Application

yaml

Application: 企微销售助手
平台: 企业微信 AI Bot
Orchestrator: sales_single（Single 模式）
Agent: sales_assistant

使用效果

员工: "今天销售额多少？"
AI: "正在查询今日销售数据..."
   [查询 orders 表 WHERE DATE(created_at) = CURDATE()]
   "今日销售额：85.6 万元
   订单数：342 笔
   平均客单价：2,503 元"

员工: "本周 TOP 5 畅销产品是哪些？"
AI: [JOIN orders, order_items, products]
   "本周 TOP 5 畅销产品：

   1. 📱 iPhone 15 Pro
      销量：156 台
      销售额：18.7 万元

   2. 💻 MacBook Air M3
      销量：89 台
      销售额：10.2 万元

   3. ⌚ Apple Watch Series 9
      销量：203 台
      销售额：6.1 万元

   4. 🎧 AirPods Pro 2
      销量：324 台
      销售额：7.3 万元

   5. 📱 iPad Air
      销量：67 台
      销售额：3.8 万元"

员工: "华东地区本月表现如何？"
AI: [JOIN orders, customers, regions]
   "华东地区本月表现：

   📊 销售数据：
   - 销售额：326 万元
   - 订单数：1,285 笔
   - 客户数：892 人

   📈 同比增长：
   - 销售额增长：+18.5%
   - 订单数增长：+12.3%

   🏆 表现最好的城市：
   1. 上海：156 万元
   2. 杭州：89 万元
   3. 南京：81 万元"

案例 2：客服知识库 + 数据查询

业务需求

客服需要：

回答产品问题（知识库）
查询订单状态（数据库）
查询物流信息（数据库）

配置方案

Orchestrator: Supervisor 模式

yaml

Supervisor Agent: 客服主管
Workers:
  - FAQ Agent（知识库问答）
  - Order Query Agent（订单查询，使用 GenAI Toolbox）
  - Logistics Agent（物流查询，使用 GenAI Toolbox）

配置详情

yaml

Supervisor Agent:
  系统提示词: |
    你是客服主管，负责分配客户问题。

    【可用客服】
    - FAQ Agent: 回答产品问题、售前咨询
    - Order Query Agent: 查询订单状态、金额、详情
    - Logistics Agent: 查询物流信息、配送进度

    【分配规则】
    - 产品问题 → FAQ Agent
    - 订单问题 → Order Query Agent
    - 物流问题 → Logistics Agent

Order Query Agent:
  工具集: order_toolset
  表: orders, order_items, products

Logistics Agent:
  工具集: logistics_toolset
  表: shipments, tracking_info

使用效果

客户: "你们的笔记本保修多久？"
→ Supervisor 分配给 FAQ Agent
→ 知识库回答: "笔记本保修 1 年，可延保至 3 年"

客户: "我的订单 #12345 什么状态？"
→ Supervisor 分配给 Order Query Agent
→ 查询数据库:
   "订单 #12345 状态：
   - 状态：已发货
   - 下单时间：2024-01-15 10:30
   - 发货时间：2024-01-15 16:20
   - 预计送达：明天下午"

客户: "物流信息在哪里查？"
→ Supervisor 分配给 Logistics Agent
→ 查询 tracking_info:
   "您的包裹 [运单号: SF1234567890]
   当前位置：上海分拨中心
   最新动态：正在派件中
   预计今日 18:00 前送达"

案例 3：运营数据大屏

业务需求

运营团队需要实时数据大屏：

实时 GMV
订单数
用户数
热门产品

配置方案

创建专门的数据接口 Agent

yaml

Agent: data_api_agent
模型: gpt-3.5-turbo（成本优化）

工具集: real_time_data_toolset
表:
  - orders
  - users
  - products
  - page_views

系统提示词: |
  你是数据接口服务，以 JSON 格式返回数据。

  【查询类型】
  - gmv: 今日 GMV
  - orders: 今日订单数
  - users: 今日新增用户
  - hot_products: 热门产品 TOP 10

  【输出格式】
  严格返回 JSON，不要其他文字。

API 调用

javascript

// 前端调用
const response = await fetch('/api/agent-system/chat', {
  method: 'POST',
  body: JSON.stringify({
    message: 'gmv',
    application_id: 'data_api_app'
  })
});

const data = await response.json();
// { "gmv": 8560000, "orders": 342, "average": 25029 }

大屏展示

javascript

// 定时刷新
setInterval(async () => {
  const gmv = await queryAgent('gmv');
  const orders = await queryAgent('orders');
  const users = await queryAgent('users');

  updateDashboard({ gmv, orders, users });
}, 5000); // 每 5 秒刷新

最佳实践

1. 数据源管理

环境隔离

yaml

开发环境:
  数据源: dev_sales_db
  主机: dev-db.internal

测试环境:
  数据源: test_sales_db
  主机: test-db.internal

生产环境:
  数据源: prod_sales_db
  主机: prod-db.internal

只读账号

sql

-- 创建只读用户
CREATE USER 'genai_readonly'@'%' IDENTIFIED BY 'strong_password';

-- 只授予 SELECT 权限
GRANT SELECT ON sales.* TO 'genai_readonly'@'%';

-- 禁止写入
REVOKE INSERT, UPDATE, DELETE ON sales.* FROM 'genai_readonly'@'%';

连接池配置

yaml

连接池大小: 10
最小空闲连接: 2
最大等待时间: 30秒
空闲超时: 10分钟

2. 工具设计

单一职责原则

yaml

✅ 好的设计:
工具1: sales_data_tool（只查销售数据）
工具2: customer_data_tool（只查客户数据）
工具3: product_data_tool（只查产品数据）

❌ 不好的设计:
工具: all_data_tool（查所有数据）
→ AI 难以选择，性能差

工具描述详细

description 写清楚"做什么 / 何时调用 / 参数含义"，AI 才选得准：

yaml

✅ 好的工具描述:
description: |
  查询单个订单的状态与明细。
  何时调用：用户问"我的订单 #X 到哪了""订单状态"等。
  参数：order_id（必填）为订单号。
  返回：状态 / 下单时间 / 发货时间 / 预计送达。

❌ 差的工具描述:
description: 查订单

限制查询范围

yaml

工具配置:
  允许查询:
    - 最近 1 年数据
    - 最多返回 1000 条

  禁止查询:
    - 超过 3 年的历史数据
    - 敏感字段（密码、支付信息）

3. Agent 提示词

数据分析 Agent 提示词模板

yaml

系统提示词: |
  你是专业的数据分析师，擅长使用 SQL 查询数据并提供业务洞察。

  【工作流程】
  1. 理解用户问题
  2. 确定需要查询的表和字段
  3. 生成 SQL 查询
  4. 解释查询结果
  5. 提供数据洞察和建议

  【查询规则】
  - 时间范围：默认查询最近 30 天
  - 大数据量：超过 1000 条进行分页
  - 敏感字段：不查询密码、手机号等

  【输出格式】
  1️⃣ 查询说明：解释要查什么
  2️⃣ 查询结果：展示数据（表格或列表）
  3️⃣ 数据分析：洞察和建议

  【示例】
  用户问："本月销售额多少？"

  回答：
  1️⃣ 正在查询本月（2024-01）的销售数据...

  2️⃣ 查询结果：
  - 销售额：500 万元
  - 订单数：2,300 笔
  - 平均客单价：2,174 元

  3️⃣ 数据分析：
  - 本月销售额比上月增长 15%
  - 建议：继续保持促销力度

4. 安全建议

数据权限控制

yaml

Level 1 - 普通员工:
  只能查询:
    - 自己的订单
    - 公开的产品信息

Level 2 - 销售经理:
  可以查询:
    - 所有订单
    - 客户信息（脱敏）
    - 销售报表

Level 3 - 高管:
  可以查询:
    - 所有数据
    - 财务报表
    - 敏感信息

SQL 注入防护

系统自动防护：

✅ 使用参数化查询
✅ 过滤特殊字符
✅ 限制查询复杂度
✅ 查询超时控制（30 秒）

数据脱敏

yaml

敏感字段自动脱敏:
  - 手机号: 138****5678
  - 邮箱: abc***@example.com
  - 身份证: 310***********1234

5. 性能优化

查询优化

sql

-- ✅ 好的查询（使用索引）
SELECT * FROM orders
WHERE created_at >= '2024-01-01'
AND status = 'paid'
LIMIT 100;

-- ❌ 差的查询（全表扫描）
SELECT * FROM orders
WHERE YEAR(created_at) = 2024;

结果缓存

yaml

缓存策略:
  - 缓存常用查询结果
  - TTL: 5 分钟
  - 使用 Redis 存储

分页查询

yaml

大数据量查询自动分页:
  - 每页 100 条
  - 最多返回 1000 条
  - 提示用户缩小查询范围

故障排查

常见问题

1. 数据源连接失败

症状：

错误: 无法连接到数据库

排查步骤：

检查连接信息

bash

# 测试数据库连接
mysql -h db.example.com -u user -p database

检查网络

bash

# 测试网络连通性
ping db.example.com
telnet db.example.com 3306

检查防火墙
- 确保数据库端口开放
- 检查安全组规则

检查用户权限

sql

-- 查看用户权限
SHOW GRANTS FOR 'user'@'host';

2. 查询超时

症状：

错误: 查询超时（30秒）

解决方案：

优化查询

sql

-- 添加索引
CREATE INDEX idx_created_at ON orders(created_at);
CREATE INDEX idx_status ON orders(status);

缩小查询范围

sql

-- 限制时间范围
WHERE created_at >= DATE_SUB(NOW(), INTERVAL 30 DAY)

增加超时时间
yaml
```
查询配置:
  超时时间: 60秒
```

3. AI 不调用工具

症状： AI 直接回答而不查询数据库

原因：

Agent 没有关联工具集
提示词不明确
问题表述不清

解决方案：

检查工具集关联

yaml

Agent 配置:
  工具配置:
    GenAI 工具集: ✓ sales_toolset

优化提示词

yaml

系统提示词: |
  你必须使用工具查询数据库，不要凭记忆回答。

  当用户问数据相关问题时：
  1. 先使用工具查询
  2. 然后根据查询结果回答

明确问题

❌ "销售怎么样？"（太模糊）
✅ "本月销售额是多少？"（明确）

4. 查询结果不准确

症状：返回的数据与预期不符

排查：

检查 SQL 语句
- 查看日志中的实际 SQL
- 在数据库中手动执行验证

检查工具的 statement 与参数

yaml

确保:
  - statement 里的字段名 / 表名正确
  - 参数占位符与 parameters 列表一一对应
  - 参数的 required（必填）设置正确

优化提示词

yaml

添加查询示例:
  当用户问"本月销售额"时：
  SELECT SUM(amount) FROM orders
  WHERE created_at >= DATE_FORMAT(NOW(), '%Y-%m-01')
  AND status = 'paid'

高级用法

1. 多数据源聚合查询

场景：同时查询 MySQL 和 MongoDB

yaml

工具集: multi_source_analytics

工具1: mysql_sales_tool
  数据源: mysql_sales_db
  表: orders, products

工具2: mongo_user_tool
  数据源: mongodb_user_db
  集合: users, behaviors

Agent 自动聚合：

用户: "销售额最高的用户画像是怎样的？"

AI 执行:
1. 从 MySQL 查询销售额 TOP 用户
2. 从 MongoDB 查询这些用户的行为数据
3. 综合分析用户画像

2. 定时报表生成

配置定时任务：

yaml

定时任务:
  名称: 每日销售报表
  触发时间: 每天 09:00

  执行:
    Application: data_reporter
    消息: "生成昨日销售报表"

  输出:
    - 发送到企业微信
    - 保存到文件系统

3. 数据导出

配置导出 Agent：

yaml

Agent: data_exporter
工具集: export_toolset

提示词: |
  你负责导出数据。

  【导出格式】
  - CSV: 大量数据导出
  - Excel: 带格式的报表
  - JSON: API 对接

  【导出限制】
  - 单次最多 10000 条
  - 文件大小不超过 50MB

4. 数据可视化

结合图表工具：

yaml

Agent: visual_analyst

工具配置:
  GenAI 工具集: analytics_toolset
  MCP 工具: ChartGenerator

工作流程:
  1. 查询数据（GenAI Toolbox）
  2. 生成图表（ChartGenerator）
  3. 解读分析结果

成本优化

1. 模型选择

yaml

场景建议:
  简单查询: gpt-3.5-turbo（成本低）
  复杂分析: gpt-4o（效果好）
  高并发场景: deepseek-chat（性价比高）

成本对比：

模型	输入成本	输出成本	适用场景
gpt-3.5-turbo	$0.5/1M	$1.5/1M	简单查询
gpt-4o	$2.5/1M	$10/1M	复杂分析
deepseek-chat	$0.14/1M	$0.28/1M	高频使用

2. 提示词优化

yaml

✅ 精简提示词:
"查询本月销售额"

❌ 冗长提示词:
"请你帮我查询一下我们公司本月的销售额情况，
包括总销售额、订单数量、平均客单价等详细信息，
并且给出与上月的对比分析..."

3. 缓存策略

yaml

缓存配置:
  常用查询: 5 分钟
  实时数据: 不缓存
  历史数据: 1 小时

下一步

学完本教程后，你可以：

创建你的第一个数据源
配置工具和工具集
集成到 Agent
查看完整功能文档

💡 提示：

从简单的单表查询开始
逐步增加复杂度
重点优化表描述和提示词
注意数据安全和权限控制

需要帮助？

📖 GenAI Toolbox 完整文档
📖 Agent 使用教程
💬 技术支持：support@sira.ai

数据集成 使用教程 ​

什么是 数据集成？ ​

五分钟快速开始 ​

步骤 1：创建数据源 ​

步骤 2：创建工具 ​

步骤 3：创建工具集 ​

步骤 4：关联到 Agent ​

步骤 5：测试效果 ​

详细配置指南 ​

一、数据源配置 ​

支持的数据库类型 ​

MySQL 数据源配置 ​

PostgreSQL 数据源配置 ​

MongoDB 数据源配置 ​

BigQuery 数据源配置 ​

二、工具配置 ​

描述要清晰 ​

一个工具一段 statement ​

收紧权限 ​

三、工具集配置 ​

按业务场景组织 ​

工具集权限管理 ​

四、Agent 集成 ​

创建数据分析 Agent ​

结合其他工具 ​

实战案例 ​

案例 1：销售数据分析助手 ​

业务需求 ​

配置步骤 ​

使用效果 ​

案例 2：客服知识库 + 数据查询 ​

业务需求 ​

配置方案 ​

使用效果 ​

案例 3：运营数据大屏 ​

业务需求 ​

配置方案 ​

最佳实践 ​

1. 数据源管理 ​

环境隔离 ​

只读账号 ​

连接池配置 ​

2. 工具设计 ​

单一职责原则 ​

工具描述详细 ​

限制查询范围 ​

3. Agent 提示词 ​

数据分析 Agent 提示词模板 ​

4. 安全建议 ​

数据权限控制 ​

SQL 注入防护 ​

数据脱敏 ​

5. 性能优化 ​

查询优化 ​

结果缓存 ​

分页查询 ​

故障排查 ​

常见问题 ​

1. 数据源连接失败 ​

2. 查询超时 ​

3. AI 不调用工具 ​

4. 查询结果不准确 ​

高级用法 ​

1. 多数据源聚合查询 ​

2. 定时报表生成 ​

3. 数据导出 ​

4. 数据可视化 ​

成本优化 ​

1. 模型选择 ​

2. 提示词优化 ​

3. 缓存策略 ​

下一步 ​

数据集成使用教程

什么是数据集成？

五分钟快速开始

步骤 1：创建数据源

步骤 2：创建工具

步骤 3：创建工具集

步骤 4：关联到 Agent

步骤 5：测试效果

详细配置指南

一、数据源配置

支持的数据库类型

MySQL 数据源配置

PostgreSQL 数据源配置

MongoDB 数据源配置

BigQuery 数据源配置

二、工具配置

描述要清晰

一个工具一段 statement

收紧权限

三、工具集配置

按业务场景组织

工具集权限管理

四、Agent 集成

创建数据分析 Agent

结合其他工具

实战案例

案例 1：销售数据分析助手

业务需求

配置步骤

使用效果

案例 2：客服知识库 + 数据查询

业务需求

配置方案

使用效果

案例 3：运营数据大屏

业务需求

配置方案

最佳实践

1. 数据源管理

环境隔离

只读账号

连接池配置

2. 工具设计

单一职责原则

工具描述详细

限制查询范围

3. Agent 提示词

数据分析 Agent 提示词模板

4. 安全建议

数据权限控制

SQL 注入防护

数据脱敏

5. 性能优化

查询优化

结果缓存

分页查询

故障排查

常见问题

1. 数据源连接失败

2. 查询超时

3. AI 不调用工具

4. 查询结果不准确

高级用法

1. 多数据源聚合查询

2. 定时报表生成

3. 数据导出

4. 数据可视化

成本优化

1. 模型选择

2. 提示词优化

3. 缓存策略

下一步